دانلود مقاله ترجمه شده به کارگیری بهینه سازی کلونی مورچگان برای پیکربندی مجموعه های پشته سازی به منظور داده کاوی

یک مجموعه ، سیستم تصمیم گیری جامعی است که استراتژیی برای ترکیب پیش بینی های دسته بندی کننده های یادگرفته شده به کار می برد تا پیش بینی خود از موارد جدید را ایجاد کند. تحقیقات اولیه ثابت کرده اند که دسته بندی کننده های مجموعه در بیشتر موارد هم به صورت تجربی و هم نظری می توانند دقیق تر از هر دسته بندی کننده تک مولفه ای باشند. اگرچه شیوه های مجموعه سازی زیادی پیشنهاد شده اند، اما هنوز یافتن پیکربندی مجموعه مناسبی برای یک مجموعه داده خاص آسان نیست. در برخی کارهای اولیه، مجموعه به صورت دستی طبق تجربه متخصصان انتخاب می شود. شیوه های فراذهنی می توانند راه حل جایگزینی برای یافتن پیکربندی ها باشند. بهینه سازی کلونی مورچگان (ACO) روشی محبوب در میان روش های فراذهنی است. در این تحقیق ، ما یک شیوه ساخت مجموعه جدید را پیشنهاد می کنیم که ACO را برای فرآیند ساخت مجموعه پشته سازی به منظور ایجاد پیکربندی های مختص زمینه به کار می گیرد. تعدادی آزمایش به منظور مقایسه روش پیشنهادی با برخی شیوه های مجموعه شناخته شده در 18 مجموعه داده داده کاوی معیار انجام می شوند. همچنین ، این روش به مجموعه های یادگیری برای یک مسئله داده کاوی حساس به هزینه واقعی به اِعمال می شود. نتایج تجربی نشان می دهند که شیوه جدید می تواند مجموعه های پشته سازی بهتری تولید کند.

1-مقدمه

در طی سالهای پیشرفت، بهبود قابل توجه عملکرد یک دسته بندی کننده منفرد دشوار و دشوارتر شده است. اخیرا، علاقه تحقیقاتی زیادی به روش ترکیب دسته بندی کننده های مختلف با هم برای دستیابی به عملکرد بهتر معطوف شده است. شیوه ترکیب ، «مجموعه» نامیده می شود. در تحقیقات اولیه، اثبات شد که مجموعه ها در بسیاری از موارد به صورت تجربی و نظری عملکرد دقیق تری از هر دسته بندی تک مولفه ای دارند. اگر یک مجموعه توسط مجموعه ای از دسته بندی کننده ها تولید شود که از الگوریتم یادگیری یکسانی آموزش داده می شوند، این مجموعه یک مجموعه همگن است. اگر یک مجموعه توسط مجموعه ای از دسته بندی کننده ها تولید شود که از الگوریتم های یادگیری متفاوت آموزش داده می شوند ، این مجموعه یک مجموعه ناهمگن است..