استفاده از يادگيري همبستگي منفي در بهبود كارايي تركيب شبكه هاي عصبي

Using Negative Correlated Networks to Improve Neural Ensemble Performance

يكي از روش ها ي بهبود صحّت طبقه بندي داده ها، استفاده از چند طبقه بند مختلف و سپس تركيب نتايج خروجي آنهاست كه اغلب تحت عنوان تركيب طبقه بندها خوانده مي شود. پارامترهاي مختلفي بر كارايي سيستم تركيب طبقه بندها تاثير مي گذارند كه از آن جمله مي توان به ميزان گوناگوني بين طبقه بندهاي پايه سيستم اشاره كرد. در اين مقاله تاثير ايجاد گوناگوني حاصل از يادگيري همبستگي منفي را در دو روش تركيبي كليشه تصميم و تعميم انباره اي مورد بررسي قرار داده ايم. استفاده از يادگيري همبستگي منفي براي ايجاد گوناگوني در طبقه بندهاي پايه سيستم تركيبي، صحّت طبقه بندي را در هر دو روش مورد آزمون بهبود داده است. ايده پيشنهادي مقاله از نقطه نظر ديگري هم قابل ارايه است؛ نتايج اين تحقيق نشان داد كه كليشه تصميم و تعميم انباره اي نسبت به روش هاي ديگر، روش هاي كاراتري براي تركيب شبكه هاي حاصل از يادگيري همبستگي منفي هستند.

This paper investigates the effect of diversity caused by Negative Correlation Learning(NCL) in the combination of neural classifiers and presents an efficient way to improve combining performance. Decision Templates and Averaging, as two non-trainable combining methods and Stacked Generalization as a trainable combiner are investigated in our experiments . Utilizing NCL for diversifying the base classifiers leads to significantly better results in all employed combining methods. Experimental results on five datasets from UCI repository indicate that by employing NCL, the performance of the ensemble structure can be more favorable compared to that of an ensemble use independent base classifiers.