دو روش تبديل ويژگي مبتني بر الگوريتم‌هاي ژنتيك براي كاهش خطاي دسته‌بندي ماشين بردار پشتيبان

Two Featuer Transformation Methods Based on Genetic Algorithm for Reducing Support Vector Machine Classification Error

در بازشناسي الگو، يكي از روش هاي افزايش دقت بازشناسي، بهره گيري از روش هاي متمايزساز است. اين روش ها يا به‌صورت تبديل متمايزساز بر ويژگي ها به‌كار مي روند يا از روش هاي يادگيري متمايزساز براي آموزش دسته بند استفاده مي كنند. به‌طور معمول معيار تبديلات متمايزساز متفاوت با معيار آموزش و يا خطاي دسته بندهاي متمايز ساز است. در مقاله حاضر، براي هماهنگ‌كردن معيار تبديل ويژگي و نيز معيار دسته بندي ماشين بردار پشتيبان روشي براي تخمين تبديل ويژگي با استفاده از الگوريتم ژنتيك (GA) پيشنهاد مي-شود كه معيار تبديل آن كمينه‌كردن خطاي دسته بندي ماشين بردار پشتيبان است. علاوه‌بر اين، روشي براي تخمين تبديل ويژگي با استفاده از الگوريتم ژنتيك دوهدفه، پيشنهاد مي شود كه معيار اين تبديل بيشينه‌شدن تمايز بين‌دسته اي (مطابق با معيار روش هاي تبديل ويژگي) و كمينه‌كردن خطاي دسته بندي ماشين بردار پشتيبان به‌صورت هم‌زمان است. ارزيابي بر روي دادگان UCI نشان مي دهد كه استفاده از معيارهاي هم‌زمان خطاي دسته بندي و تمايز بين‌دسته اي در تبديل ويژگي سبب بهبود عملكرد تبديلات ويژگي متمايزساز متداول در افزايش دقت دسته بندي ماشين بردار پشتيبان مي‌شود؛ علاوه‌بر اينكه استفاده از تبديل ويژگي با معيار خطاي دسته بندي نسبت به ديگر روش هاي شناخته‌شده تبديل ويژگي و نيز روش دوهدفه، دقت دسته بندي ماشين بردار پشتيبان را بيشتر افزايش مي دهد.

Discriminative methods are used for increasing pattern recognition and classification accuracy. These methods can be used as discriminant transformations applied to features or they can be used as discriminative learning algorithms for the classifiers. Usually, discriminative transformations criteria are different from the criteria of discriminant classifiers training or their error. In this paper, for relating feature transformation criterion to classification rate, we obtain a feature transformation method using genetic algorithm where we choose fitness function as Support Vectomr Machine(SVM) classification error rate. In addition, we obtain a feature transformation method using multi-objective genetic algorithm in order to consider both between class discrimination (According to feature transformation criterion) and support vector machine classification error rate simultaneously. Experimental results on UCI dataset indicate that using both classification error and between class discrimination in feature transformation improve discriminative feature transformations performance in increasing SVM classification accuracy. Additionally, the use of feature transformation with classification error criterion increases SVM classification more than other conventional feature transformation and proposed two-objective methods.