به بزرگترین دانشنامه مالی فارسی خوش آمدید

الگوریتم یادگیری جمعی ماشینی برای طبقه بندی و رگرسیون

الگوریتم یادگیری جمعی ماشینی برای طبقه بندی و رگرسیون

 هدف

کمینه یادگیری ماشینی (MLM) یک الگوریتم یادگیری نظارت شده است با عملکرد قابل مقایسه با اکثر روش های یادگیری ماشینی در حوزه هنر است، که به تازگی معرفی شده است. در این مقاله روش های جمعی و یکپارچه برای طبقه بندی و رگرسیون با استفاده از MLMs پیشنهاد و بررسی می شود. هدف از استراتژی روش های جمعی، ساخت مدل های محکم و دقیق برای زمانی است که با یک مدل تکی از رگرسیون یا طبقه بندی مقایسه می شود. با وجود عملکرد موفق این روش، MLM یک مسئله بهینه سازی محاسباتی فشرده را به عنوان بخشی از روش آزمونش به کار می‌برد (برای برآورد داده های خارج از نمونه). ارزیابی آزمایشی انجام شده بر روی مجموعه داده های دنیای واقعی نشان می‌دهد که عملکرد مجموعه جمعی MLMs قابل مقایسه و حتی برتر از عملکرد الگوریتم های یادگیری ماشینی مرجع بوده است.

مسئله

در سال‌های گذشته توجه زیادی به روش های جمعی با هدف در نظر گرفتن مسائل طبقه بندی و رگرسیون با یکدیگر و ساخت مدل هایی دقیق و محکم بوده است. روشهایی با عملکرد مناسب هم مانند تشخیص چهره، رتبه بندی اسناد و پیش بینی قیمت سهام معرفی شد به طوری که هرکدام برآوردی مطلوب از خروجی مورد نظر فراهم می کنند. انتظار می رود که مدل مبتنی بر روش جمعی عملکرد مناسب تری نسبت به مدل های دیگر داشته باشد. روش های جمعی می توانند با توجه به ماهیت مسئله به صورت تقریبی طبقه بندی و حل شوند و الگوریتم های یادگیری ماشینی از این روش استفاده کنند. با توجه به نوع مسئله، روش های جمعی می توانند برای هر دو حالت طبقه بندی یا رگرسیون طراحی شوند. روش های این مسائل ممکن است از لحاظ گوناگون باهم متفاوت باشند، با این حال یکی از مهم ترین روش ها ترکیب اعضای خروجی برای ارائه پیش بینی نهایی است. رأی‌گیری های مبتنی بر استراتژی عموماً برای طبقه بندی و ترکیبات عددی نیز برای رگرسیون استفاده می شوند.

جهت دسترسی به فایل کامل کلیک کنید.

می توان رویکردها را (در روش جمعی) به دو حالت همگن و ناهمگن دسته بندی کرد. در دسته بندی همگن، یک کلاس تکی از الگوریتم ها استفاده شده است در حالی که در رویکرد ناهمگن کلاس های مختلفی از روش ها با شکل دادن یکپارچگی استفاده می شوند. اگرچه انتظار می رود رویکرد ناهمگن نتایج بهتری داشته باشد، اما این رویکرد ها توانایی کنترل تنوع اعضایشان را ندارند، این یک موضوع مهم است به دلیل اینکه عملکرد روش های جمعی به میزان زیادی به تنوع بستگی دارد. از طرف دیگر در رویکرد همگن، تنوع می تواند به صورت کاملاً سیستماتیک کنترل شود و به همین دلیل است که این رویکرد بیش تر مورد استفاده قرار می گیرد تا رویکرد ناهمگن. با توجه به این موضوع می توان مشاهده کرد که رویکرد همگن در زمینه های مختلفی از جمله دارو و درمان، مهندسی نرم افزار، شبکه های کامپیوتری و دیگر حوزه ها به کار گرفته شده است.

به تازگی الگوریتم نظارت شده یادگیری MLM به دلیل سادگی در اجرا و نیاز به تنظیم تنها یک پارامتر ( پارامتر k، بیان گر تعداد نقاط مرجع)، مورد توجه قرار گرفته است. یادگیری MLM شامل ایجاد یک نقشه خطی بین نقاط ورودی و خروجی ماتریس فاصله است و در مرحله کلی از نقشه برای برآورد فاصله از نقطه مرجع k تا ارزش خروجی هدف استفاده می شود، سپس برآورد خروجی به عنوان یک مسئله بهینه سازی بر اساس پیش بینی فاصله خروجی و مکان های نقاط مرجع، مدل می شود. محاسبه خروجی MLM بسیار فشرده است و نیازمند حل مسئله بهینه سازی غیر خطی است که این مرحله خود یک گلوگاه در این روش به حساب می آید.

مباحث کلی مقاله: اول، تمامی روش های سریع MLM برای در برگرفتن هر دو حالت طبقه بندی و رگرسیون ارائه می شود . دوم، استراتژی های یادگیری روش های NN-MLM و C-MLM (که در بخش اول معرفی می شوند) مطرح می شود و پیشنهادات با مقاله‌های کاربردی دیگر مقایسه و عملکرد نتایج بررسی می شود.

رویکرد و روش حل مسئله

معرفی کمینه یادگیری ماشینی – MLM

کمینه یادگیری ماشینی یا MLM یک الگوریتم یادگیری نظارت شده بر اساس نگاشت بین فواصل محاسبه شده از ورودی و خروجی مساحت و فاصله مورد نظر است.

جهت دریافت اصل مقاله، کلیک کنید.