طبقه‌بندي با احتياط داده‌هاي ابرمستطيلي، ابردايروي و ابربيضوي با حداكثر حاشيه متقارن نسبت به لبه داده‌ها

Cautious Classification of Hyper Rectangular, Hyper Circular, and Hyper Oval with a Maximum Symmetric Margin Relative to the Data Edge

مدل طبقه‌بندي مقاوم، يك مدل غير استاندارد براي يادگيري طبقه‌بند بر اساس يك مجموعه داده توأم با عدم قطعيت است. به هر مدل طبقه‌بندي كه در مجموعه جواب‌هاي ممكن آن، جواب بي‌معني وجود داشته باشد، مدل بي‌احتياط گفته مي‌شود. جواب بهينه يك مدل طبقه‌بندي مقاوم بي‌احتياط به ‌ازاي يك مجموعه داده آموزشي، ممكن است ابرصفحه نباشد كه در اين صورت امكان طبقه‌بندي داده‌ها در مرحله آزمون ميسر نخواهد بود. در اين مقاله مدل‌هاي طبقه‌بند مقاوم بي‌احتياط معرفي و مشكلات آنها بررسي شده و سپس با تغيير تابع ضرر در طبقه‌بند مقاوم، مدل طبقه‌بندي مقاوم بااحتياط براي ممانعت از بي‌احتياطي معرفي مي‌شود. مدل بااحتياط پيشنهادي، استاندارد شده و راهكارهايي براي كاهش زمان آموزش و زمان آزمون آن ارائه مي‌گردد. در آزمايشات از مدل طبقه‌بند مقاوم بااحتياط پيشنهادي در مقايسه با چند مدل مقاوم بي‌احتياط، براي طبقه‌بندي مجموعه داده‌هاي آموزشي ناقص و مجموعه داده‌هاي آموزشي قطعي كامل استفاده شد. نتايج به دست آمده نشان داد كه در مجموعه داده‌هاي ناقص، مدل پيشنهادي زمان آموزش و زمان آزمون و نرخ خطاي كمتري نسبت به مدل‌هاي بي‌احتياط داشت. همچنين در مجموعه داده‌هاي كامل قطعي، مدل پيشنهادي زمان آموزش و زمان آزمون كمتري نسبت به مدل‌هاي بي‌احتياط داشت. نتايج به دست آمده كارايي افزودن احتياط به طبقه‌بند مقاوم را تأييد نمود.

A robust classification model is a non-standard model for classifying learning based on an uncertain data set. An incautious model is said to have any meaningless answer to any classification model in its possible set of possible solutions. The optimal answer for a cautious robust classification model for a training data set may not be the hyper-page, in which case it will not be possible to classify the data at the test stage. In this paper, incautious robust classification models are introduced and their problems are investigated and then by changing the loss function of a robust classifier, a cautious robust classification model is presented to prevent incautious. The proposed cautious model is standardized and solutions are provided to reduce the training time and test time. In the experiments, the proposed model was compared with some incautious robust models to classification incomplete training data set, and complete definitive training data set. The results showed that in the incomplete data set, the proposed model had less training time and error rate than incautious models. Also, in the complete definitive data set, the proposed model training time and test time were less than incautious models. The results approved that adding caution to a robust classifier is efficient.