سال انتشار: ۱۳۸۵

محل انتشار: چهارمین کنفرانس ماشین بینایی و پردازش تصویر

تعداد صفحات: ۹

نویسنده(ها):

امید ده زنگی – دانشگاه شیراز
منصور ذوالقدری جهرمی – دانشگاه شیراز
سینا مشکسار – دانشگاه شیراز

چکیده:

در این مقاله تاثیر وزندهی را بر قابلیت دستهبندی سیستمهای دستهبند فازی مبتنی بر قانون مورد بررسی قرار دهیم. برای بهبود سیستم کلاسه بند از یک الگوریتم یادگیری وزن قوانین استفاده میکنیم که میزان خطای دسته بندی را بر روی دادههای آموزشی با استفاده از تنظیم وزن قوانین به حداقل می رساند. همچنین، با این دید که داده های آموزشی دارای ارزش یکسانی نیستند و بعضی از داده های آموزشی را میتوان نویز به حساب آورد، ما به دادههای آموزشی نیز وزنی انتساب میدهیم. وزن منتسب شده به هر الگوی آموزشی به عنوان هزینه ی دسته بندی غلط و یا انصراف از کلاسه بندی
آن داده محسوب می شود. به عبارت دیگر، وزن هر الگو نشان دهنده اهمیت کلاسه بندی صحیح آن الگو میباشد. با این توصیف، الگوریتم یادگیری مورد استفاده بر اساس وزن دهی قوانین را طوری تغییر می دهیم که به جای به حداقل رساندن خطای کلاسه بندی، یک تابع هزینه( تابعی وابسته به وزن دادههای آموزشی) را کمینه کند. برای تعیین وزن هر الگوی آموزشی، از توزیع داده ها در همسایگی آن استفاده می شود. اگر اکثریت همسایه های دادهی مورد نظر از کلاسی متفاوت با کلاس دادهی مورد نظر باشند به آن داده وزن کمی اختصاص داده میشود و بالعکس. با این کار تاثیر داده های نویزی را در عمل یادگیری وزن قوانین کاهش میدهیم. با استفاده از چندین مجموعه دادهای استاندارد موجود درUCI-MLنشان میدهیمکه وزن دهی الگوهای آموزشی تاثیر مثبتی در بهبود دقت کلاسهبندی دارد.