ايجاد طبقه بند مبتني بر يادگيري جمعي با استفاده از خوشه بندي و معيار شباهت فازي

در این مقاله، یك روش جدید مبتنی بر خوشهبندی برای ایجاد طبقهبند مبتنی بر یادگیری جمعی ارائه شده است. در روش پیشنهادی، ابتدا مركز خوشهه ها با یك الگوریتم خوشهه بندی محاسهبه می شهود و سس ب ا استفاده از یك معیار شباهت فازی، خوشههای فازی تعریف میشهودد. یك دموده داده با یك درجه عضهویت به هر خوشهه فازی تع خ خواهد داشهت. از این درجه عضویت می توان برای تخصهی یك وزن به هر دموده در خوشهه های مخت ف اسهتفاده كرد. به ازای هر خوشهه فازی یك طبقه بند آموزش داده میشود كه دادههای آموزشهی آن با توجه به وزن داده ها در آن خوشهه فازی و با استفاده از یك روش دموده برداری با جایگااری وزن دار ادتخاب میشودد. برای پیشبینی دموده جدید، تصمیمهای طبقهبندههای پایه با استفاده از روش رای اكثریت وزندار تركیب میشودد. روش پیشه نهادی با ایجاد زیرمجموعههای آموزشهی با همسوشادی و دردظرگرفتن معیار شباهت بین دمودهها باعث افزایش دقت و boosting ،bagging طبقهبندی میشهود. كارایی روش پیشهنهادی با سایر روشهای ایجاد طبقهبند مبتنی بر یادگیری جمعی مادند یك روش مبتنی بر خوشههبندی مقایسهه شهده اسهت. دتایج تجربی دشهان میدهد كه اسهتفاده از معیار شهباهت فازی برای ایجاد زیرمجموعهه ههای مخت ف داده های آموزشههی در هنگاس سههاخت طبقه بند مبتنی بر یادگیری جمعی از روشهای خوشهههبندی بدون همسوشادی بهتر است.