دانلود شبیه سازی مقاله الگوریتم یادگیری ماشین دقیق و پایدار

پروژه متلب الگوریتم یادگیری ماشین

در این مطالعه، یک الگوریتم یادگیری ماشینی مبتنی بر مقدار ویژه دقیق و کارآمد، که علی الخصوص به آن «دسته بندی مقدار ویژه» (EigenClass) گفته می شود، برای حل مسائل دسته بندی ارائه شده اند. الگوریتم EigenClass با بکارگیری یک محاسبه نزدیکی مبتنی بر مقدار ویژه، ساخته می شود. برای مشخص سازی عملکرد دسته بندی EigenClass، با الگوریتم های مشهور مانند k نزدیکترین همسایه، k نزدیکترین همسایه فازی، درخت تصادفی (RF) و ماشین های بردار پشتیبانی چندگانه، مقایسه می شود. تعداد 20 مجموعه داده مختلف با صفات و کلاس های مختلف جهت مقایسه استفاده می شوند. هر کدام از الگوریتم ها به اندازه 30 تکرار از طریق اعتباریابی متقابل 5 برابر، آموزش  داده می شود و سپس مورد آزمون قرار می گیرند. سپس، نتایج با همدیگر از نظر پراستفاده ترین معیارها، مانند دقت، صحت، یادآوری، ریز معیار F و درشت معیار F، مقایسه می شوند. نشان داده می شود که EigenClass، بهترین عملکرد دسته بندی را برای 15 مجموعه داده از نظر هر معیار از خود نشان می دهد و در یک مقایسه جفت به جفت، عملکرد بهتری نسبت به الگوریتم های دیگر به اندازه حداقل 16 مجموعه داده برای ملاحظه هر معیار، حاصل می کند. علاوه بر آن، این الگوریتم ها همچنین از طریق تحلیل آماری و پیچیدگی محاسباتی با هم مقایسه می شوند. بنابراین، نتایج حاصل شده نشان می دهند که EigenClass یک الگوریتم دقیق و پایدار است و همچنین موفق ترین الگوریتم با توجه به عملکرد دسته بندی کلی می باشد.

در مطالعه حاضر، یک الگوریتم یادگیری ماشینی نوین، یعنی EigenClass، که براساس مفهوم مقدار ویژه ساخته شده، برای مسائل دسته بندی پیشنهاد شده است. EigenClass، براساس قابلیت ارزیابی نزدیکی قابل توجه مقدار ویژه است. عملکرد دسته بندی EigenClass، از طریق مقایسه موثر با چندین الگوریتم یادگیری ماشینی اثبات شده و تایید شده، یعنی kNN، kNN  فازی، RF و MSVM، ارزیابی می شود. این الگوریتم ها به میزان 30 دور با استفاده از اعتباریابی متقابل 5 لایه برروی 20 عدد از پراستفاده ترین مجموعه داده ها، آموزش داده می شود و سپس مورد آزمون قرار می گیرند. سپس نتایج با استفاده از چندین معیار مشهور، مانند دقت، صحت، یادآوری، ریزمعیار F و درشت معیار F، ارزیابی می شوند. الگوریتم EigenClass به نحو دقیق تری اکثر مجموعه داده های ارزیابی شده را دسته بندی می کند. این الگوریتم بهترین نتایج را برای 15 مجموعه داده از نظر هر معیار فراهم می کند، هنگامی که هر کدام با دیگری مقایسه می شود و در حداقل 16 مجموعه داده برای هر معیار در یک مقایسه جفت به جفت، مقایسه می گردد. تحلیل های آماری و پیچیدگی محاسباتی برای بیشتر بررسی کردن دقت و زمان پردازش الگوریتم ها با مقایسه آنها با همدیگر، انجام می شوند. بنابراین، عموماً EigenClass عملکرد بهتری نسبت به الگوریتم ها با استفاده از مقایسه با توجه به نتایج، دارد. بنابراین، این مطالعه، اولین مطالعه ای است که یک الگوریتم یادگیری ماشینی مبتنی بر مقدار ویژه را توسعه می دهد که دقیق و کارآمد است. نتایج حاصل شده که برای تعدادی مسئله دسته بندی در نظر گرفته شده اند برای اثبات موفقیت EigenClass کافی هستند، با اینکه با بهینه سازی مراحل و کدنویسی الگوریتم می توان آنرا بیشتر بهبود داد.

این مقاله مربوط به سال 2020 بوده و شبیه سازی آن نیز در محیط نرم افزار متلب (MATLAB) انجام شده است.