ارائه روشي كارا براي دسته‌بندي مسائل چنددسته‌اي با رويكرد انتخاب دسته‌بند

An Efficient Multiclass Classification Method Based on Classifier Selection Technique

سيستمهای دسته‌بندی شورايی، رويكردی مؤثر در يادگيری ماشين است كه در آن با تركيب نتايج چند دسته‌بند سعی می‌شود تقريب بهتری از يك دسته‌بند بهينه فراهم شود. در حوزه تركيب خروجی شورای دستهبندها، رويكرد «انتخاب دستهبند» توجه كمتری را در مقايسه با رويكرد «ادغام دسته‌بند» به خود جلب كرده است. همچنين، اغلب روشهای موجود در اين حوزه، هزينه محاسباتی بالايی دارند. در اين مقاله، روشی مؤثر در دسته بندی مسائل چنددسته‌ای بر اساس رويكرد انتخاب ويژگی پيشنهاد شده است. روش پيشنهادی ابتدا با استفاده از 14 مجموعه داده تراز از پايگاه UCI آزمون شده و پس از اثبات توانايی آن، برای شناسايی رايحه‌های سه نوع شيرين‌بيان به كار گرفته شده است. مقايسه نتايج روش پيشنهادی و روشهای ديگر سيستمهای شورايی بر اساس دو معيار صحّت شناسايی و زمان محاسباتی، كارايی بهتر روش را در دسته بندی مسائل چنددسته‌ای نشان می‌دهد.

Individual classification models have recently been challenged by ensemble of classifiers, also known as multiple classifier system, which often shows better classification accuracy. In terms of merging the outputs of an ensemble of classifiers, classifier selection has not attracted as much attention as classifier fusion in the past, mainly because of its higher computational burden. In this paper, we propose a novel technique for improving classifier selection. In our method, the simple divide-and-conquer strategy is adapted in that a complex classification problem is divided into simpler binary sub-classification problems. We conduct extensive experiments on a series of multi-class datasets from the UCI (University of California, Irvine) repository and on odor database. The experimental results demonstrate the advanced performance of the proposed method.