چکیده مقاله
ترکیب طبقهبندها به منظور دستیابی به کارایی بالاتر و دقت بیشتر، یک موضوع تحقیقی مشترک بین بازشناسی الگو و یادگیری ماشینی است که در مقالات با عناوین متفاوتی همچون ترکیب چند طبقه بند، تلفیق طبقه بندها، اختلاط خبره ها، اجماع ردهبندها، اجماع نظرات استراتژی غلبه وتقسیم، از آن یاد شده است برای آنکه ترکیب خروجی طبقه بندها مفید باشد، باید نیازهای خاصی برآورده شود اولین نیاز برای طراحی سیستم طبقه بندی مرکب، بکارگیری یک چارچوب ریاضی مناسب برای قاعده ترکیب است تا به طریقی از نقاط قوت طبقه بندها استفاده و از نقاط ضعف آنها پرهیز شود دومین نیاز، وجود تعدادی طبقه بند پایه، با کارایی قابل قبول ونسبتا1 مستقل از یکدیگر است برای ترکیب نتایج طبقه بندها نیز قواعد مختلفی پیشنهاد شده است که ترکیب خطی نتایج یکی از متداولترین آنها است در این حالت، خروجی سیستم طبقه بندی مرکب یک ترکیب خطی از نظرات تمام طبقه بندهای پایه است روش پیشنهادی در نرم افزار MATLAB پیاده سازی و بر روی مجموعه داده های Halfring, Nbupa Nbreast مورد آزمایش قرار گرفته شده است همچنین برای مقایسه ی نتایج روش پیشنهادی با الگوریتم های پایهی tree, k nn bayes, svm, از معیارهای فیشر و دقت بهره گرفته شده است نتایج آزمایشها نشان از کارایی رضایتبخش روش پیشنهادی در مواجهه با مجموعه داده های مختلف دارد
کلیدواژهها
نویسندگان
صادق پیرایش
گروه نرم افزار، دانشکده مهندسی کامپیوتر، واحد لامرد، دانشگاه آزاد اسلامی، لامرد، ایران
محبوبه صفری
مدرس گروه کامپیوتر، دانشگاه لامرد، ایران
شیوه ارجاع
پیرایش، صادق و صفری، محبوبه،1396،طبقه بندی مرکب با الگوریتمnaïve Bayesian ،k-nn ،svm،پنجمین کنفرانس بین المللی مهندسی برق و کامپیوتر با تاکید بر دانش بومی،تهران
ارائهشده در
مجموعه مقالات پنجمین کنفرانس بین المللی مهندسی برق و کامپیوتر با تاکید بر دانش بومی19 بهمن 1396 · تهران