التصنيف الموجه نحو الربح: الأساليب الجديدة وتطبيقات الأعمال
| العنوان | التصنيف الموجه نحو الربح: الأساليب الجديدة وتطبيقات الأعمال |
|---|---|
| المؤلف | محمودي، نادر |
| تاريخ النشر: | 2015-11 |
| الموضوع | الخوارزميات الجينية |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| رقم السجل | 14c73a66-b5a0-49c3-ad66-80fad32a10c6 |
| موقع المكتبة | قسم الهندسة الصناعية |
| التاريخ | 2015-11 |
| نص عينة | مشاكل التصنيف هي مشاكل التنبؤ الأكثر شيوعًا والتي تم معالجتها تقليديًا بواسطة خوارزميات استخراج البيانات (DM). الهدف المتخذ في هذه الخوارزميات هو هدف إحصائي يهدف إلى تقليل عدد (أو العدد المرجح) للملاحظات المصنفة بشكل غير صحيح (المثيلات). في الآونة الأخيرة، حظي التصنيف الحساس للتكلفة باهتمام الباحثين لأن الخوارزميات الحالية غير قادرة على التعامل مع المخاوف الخاصة في بعض المشكلات الشائعة. هناك نوعان من المخاوف الخاصة الرئيسية. الأول هو الحالة التي يختلف فيها عدد الملاحظات في فئات مختلفة - ويسمى عدم التوازن الطبقي (أو الانحراف). المشكلة الثانية هي الحالة عندما تكون هناك تكاليف مختلفة بشكل طبيعي للتصنيف الخاطئ والتي يجب أخذها في الاعتبار أثناء تنفيذ خوارزمية التصنيف. تتضمن هذه الدراسة نوعين من الأساليب الموجهة نحو الربح للتعامل مع أربع مشكلات واقعية. أولاً، قمنا بتعديل تحليل فيشر التمييزي (FDA) لتحويله إلى نهج حساس للربح. يقوم تحليل فيشر التمييزي الحساس للربح (PFDA) بتعديل إدارة الغذاء والدواء القائمة على الأخطاء بطريقة تركز على الملاحظات المربحة التي ترث الافتراضات الرئيسية لتقليل الأخطاء. ويحاول النهج الثاني، الذي يسمى النمذجة القائمة على الربح، تصنيف الملاحظات فيما يتعلق بإجمالي صافي الربح بدلاً من أخطاء التصنيف. يبحث هذا النهج عن مساحة الحل لوظيفة تمييزية ذات أقصى ربح صافي باستخدام الاستدلال الفوقي. يتم استخدام أربعة أساليب استدلالية لتنفيذ نهج التصنيف القائم على الربح، بما في ذلك تحسين الطيور المهاجرة (MBO)، ومستعمرة النحل الاصطناعية (ABC)، وتحسين سرب الجسيمات (PSO)، والخوارزمية الجينية (GA). في هذه الدراسة، اقترحنا أيضًا تعديلاً على MBO (m-MBO). تظهر النتائج أن إدارة الغذاء والدواء الأمريكية الحساسة للربح يمكنها الحصول على نتائج إيجابية مربحة أكثر من نسختها الأصلية، ومع ذلك، فهي تحتوي على عدد أقل من النتائج الإيجابية المصنفة بشكل صحيح. يعتمد النهج الحساس للربح على افتراضات تقليل الأخطاء بحيث يتم تحديد الأولوية في التصنيف للملاحظات المربحة. ومن ناحية أخرى، يمكن للنهج القائم على الربح أن يصل إلى المزيد من الحلول التي تحقق الربح باستخدام وظيفة موضوعية تتمثل في تعظيم إجمالي صافي الربح. وبما أن هذا النهج يهمل تمامًا افتراضات تقليل الأخطاء أثناء التدريب، فقد أظهر ضعف الأداء بمعدل إيجابي حقيقي. من بين الاستدلالات الوصفية المستخدمة في النهج القائم على الربح، تتفوق مستعمرة النحل الاصطناعية (ABC) والنسخة المعدلة من MBO (m-MBO) دائمًا على الاستدلالات الوصفية الأخرى. çalışmıştır. Bu algoritmalarda ele alınan amaç fonksiyonu, yanlış sınıflandırılan gözlemlerin (durumların) sayısının (veya ağırlıklı tolam sayısının) en aza indirilmesini hedeflemektedir. Mevcut alamadıklarından dolayı, son dönemlerde maliyete duyarlı sınıflandırma araştırmacıların dikkatini çeker hale gelmiştir. Sınıf dengesizliği nedeniyle gözlem sayısınınfarklısınıflardaki değişkenliği، و sınıflandırma خوارزمية uygulanması esnasında yanlış sınıflandırma maliyetlerininfarklılığının ele Alınmasıolmak üzere iki tür özel durum bulunmaktadır. في هذه الحالة، يمكن أن يؤدي هذا إلى تفاقم مشاكل الحياة. بالإضافة إلى ذلك، تقوم شركة Fisher Discriminant Analizi (FDA) بتحليل بياناتها وتجديدها. نظرًا لأن تحليل فيشر للتمييز (KFDA) هو الحد الأدنى من التخفيضات، فقد تم تحسينه بشكل أفضل من قبل إدارة الغذاء والدواء الأمريكية (FDA) مما أدى إلى تفاقم المشكلة. ikinci yaklaşım olan kâr bazlımodelleme, gözlemleri sınıflandırma hatasından ziyade toplam net kârlarna göre sınıflandırmaktadır. بفضل هذه الميزة، ستوفر خوارزميات التعريف التعريفية الحد الأقصى من صافي الميزات من خلال إنشاء ميزات. Kâr bazlı sınıflanırma yaklaşımınıuygulamak için، Göçmen Kuşlar optimizasyonu (GKO)، Yapay Arı Kolonisi (YAK) Algoritması، Parçacık Sürü Optimizasyonu (PSO) و Genetik Algoritma (GA) olmak üzere dört meta-sezgisel yaklaşım kullanılmıştır. تم تعديل إصدار edilmiş (d-GKO) من خلال خوارزمية Göçmen Kuşlar Algoritmasının. Sonuçlara bakıldığında kâra duyarlı FDA, original versionuna göre kârlı pozitif kayıtları daha fazla yakalayabilmektedir. Bu yaklaşım daha az sayıda pozitifi doğru olarak sınıflandırmayıbaşarmaktadır, fakat hata minimizasyonu varsayımlarınıadapte ederek sınıflandırmadaki önceliği kârlı gözlemlere vermektedir. kâr bazlı yaklaşım toplam net kârını maksimizasyonunu amaç fonksiyonu olarak kullanarak daha fazla kâr getiren çözümler elde etmektedir. Bu yaklaşım öğrenme esnasında hata minimizasyonu varsayımlarınıtamamen yok saydığı için, doğru pozitif oranıaçısından daha düşük Performances sergilemektedir. تم إنشاء خوارزمية Yapay ArıKolonisi (YAK) من خلال خوارزمية Meta-sezgisel yaklaşımda، وتعديل إصدار خوارزمية Kuşlar Kuşlar من إصدار (d-GKO) haricindeki خوارزمية toplam net k^ar açısından daha iyi sonuçlar vermektedir. |
