بازگشت به جستجو

طبقه بندی سود محور: رویکردهای جدید و کاربردهای تجاری

عنوان	طبقه بندی سود محور: رویکردهای جدید و کاربردهای تجاری
نویسنده	محمودی، نادر
تاریخ انتشار:	2015-11
موضوع	الگوریتم های ژنتیک
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شماره ثبت	14c73a66-b5a0-49c3-ad66-80fad32a10c6
محل کتابخانه	گروه مهندسی صنایع
تاریخ	2015-11
متن نمونه	مسائل طبقه بندی رایج ترین مشکلات پیش بینی هستند که به طور سنتی توسط الگوریتم های داده کاوی (DM) حل می شوند. هدف در نظر گرفته شده در این الگوریتم ها، هدفی آماری است که با هدف به حداقل رساندن تعداد (یا تعداد وزنی) مشاهدات (نمونه ها) طبقه بندی نادرست انجام می شود. اخیراً، طبقه‌بندی حساس به هزینه توجه محققان را به خود جلب کرده است زیرا الگوریتم‌های موجود قادر به مقابله با نگرانی‌های خاص در برخی از مشکلات رایج نیستند. دو نگرانی خاص وجود دارد. اولین مورد زمانی است که تعداد مشاهدات در طبقات مختلف متفاوت است - به نام عدم تعادل کلاس (یا چولگی). موضوع دوم زمانی است که به طور طبیعی هزینه های متفاوتی برای طبقه بندی اشتباه وجود دارد که باید در اجرای الگوریتم طبقه بندی در نظر گرفته شود. این مطالعه شامل دو نوع رویکرد سود محور برای مقابله با چهار مشکل واقعی است. در مرحله اول، ما تجزیه و تحلیل تشخیصی فیشر (FDA) را اصلاح کرده ایم و آن را به یک رویکرد حساس به سود تبدیل می کنیم. تجزیه و تحلیل تشخیصی فیشر حساس به سود (PFDA) FDA مبتنی بر خطا موجود را به گونه‌ای اصلاح می‌کند که بر مشاهدات سودآوری که فرضیات اصلی به حداقل رساندن خطا را به ارث می‌برند، تأکید می‌کند. رویکرد دوم به نام مدل‌سازی مبتنی بر سود، سعی می‌کند مشاهدات را با توجه به سود خالص کل طبقه‌بندی کند تا اشتباهات در طبقه‌بندی. این رویکرد فضای راه حل را برای یک تابع متمایز با حداکثر سود خالص با استفاده از فراابتکاری جستجو می کند. چهار فراابتکاری برای پیاده سازی رویکرد طبقه بندی مبتنی بر سود از جمله بهینه سازی پرندگان مهاجر (MBO)، کلونی زنبورهای مصنوعی (ABC)، بهینه سازی ازدحام ذرات (PSO) و الگوریتم ژنتیک (GA) استفاده می شود. در این مطالعه، ما همچنین اصلاحی را در MBO (m-MBO) پیشنهاد کرده‌ایم. نتایج نشان می‌دهد که FDA حساس به سود می‌تواند بیشتر از نسخه اصلی خود، نکات مثبت سودآور را بگیرد، اما تعداد موارد مثبت کمتری دارد که به درستی طبقه‌بندی شده‌اند. رویکرد حساس به سود، مفروضات به حداقل رساندن خطا را اتخاذ می کند، به طوری که اولویت در طبقه بندی برای مشاهدات سودآور تعیین می شود. از سوی دیگر، رویکرد مبتنی بر سود می‌تواند با استفاده از تابع هدف حداکثر کردن کل سود خالص، به راه‌حل‌های سودآور بیشتری دست یابد. از آنجایی که این رویکرد به طور کامل از مفروضات به حداقل رساندن خطا در حین آموزش غفلت می کند، عملکرد کمتری را در نرخ مثبت واقعی نشان داد. در میان فراابتکاری های مورد استفاده در رویکرد مبتنی بر سود، کلونی زنبورهای مصنوعی (ABC) و نسخه اصلاح شده MBO (m-MBO) همیشه بهتر از سایر فراابتکاری ها عمل می کنند. çözülmeye çalışmıştır. Bu algoritmalarda ele alınan amaç functionu, yanlış sınıflandırılan gözlemlerin (durumların) sayısının (veya ağırlıklı toplam sayısının) en aza indirilmesini hedeflemektedir. Mevcut algoritmalar bazıpopüler problemlerde özel durumları doğru şekilde ele alamadıklarından dolayı, son dönemlerde maliyete duyarlı sınıflandırma araştırmacıların dikkatini çeker hale gelmiştir. Sınıf dengesizliği nedeniyle gözlem sayısının farklısınıflardaki değişkenliği، و sınıflandırma algoritmaların uygulanması esnasında یانلیش سینیفلاندیرما maliyetlerinin farklılımazelığınolle bulunmaktadır. Bu çalışma، iki tip kâr odaklı yaklaşımla döort ayrıgerçek hayat probleminin çözülmesini içermektedir. İlk olarak, Fisher Diskriminant Analizi (FDA) üzerinde değişiklikler yapılmış ve kara duyarlıbir yaklaşım haline getirilmiştir. Kâra duyarlıFisher Diskriminant Analizi (KFDA) esas hata minimumasyonu varsayımlarını koruyarak, yapılan değişikliklerle mevcut hata bazlı FDA'nın daha karlıgözlemleri daha fazla dikkate almasınısağlamışt. İkinci yaklaşım olan kâr bazlımodelleme, gözlemleri sınıflandırma hatasından ziyade toplam net kârlarna göre sınıflandırmaktadır. Bu yaklaşım، meta-sezgisel algoritmalar kullanarak çözüm alanında maksimum net kâr ayırt edecek bir functionu aramaktadır. Kâr bazlı sınıflanırma yaklaşımınıuygulamak için, Göçmen Kuşlar me optimizationu (GKO), Yapay Arı Kolonisi (YAK) Algoritması, Parçacık Sürü Optimizasyonu (PSO) و Genetik Algoritma (GA-dışmseltazere) kullanılmıştır. Başka bir katkı olarak ise، bu çalışmada Göçmen Kuşlar Algoritmasının modifiye edilmiş versiyonu (d-GKO) sunulmaktadır. Sonuçlara bakıldığında kâra duyarlı FDA, orijinal versiyonuna göre kârlı pozitif kayıtları daha fazla yakalayabilmektedir. Bu yaklaşım daha az sayıda pozitifi doğru olarak sınıflandırmayıbaşarmaktadır، فكات هاتا مينيميزيو varsayımlarınıadapte ederek sınıflandırmadaki önceliği kârlı gözlemlere vermektedir. kâr bazlı yaklaşım toplam net kârını maksimizasyonunu amaç functionu olarak kullanarak daha fazla kâr getiren çözümler elde etmektedir. Bu yaklaşım öğrenme esnasında hata minimiasyonu varsayımlarınıtamamen yok saydığı için, doğru pozitif oranıaçısından daha düşük performans sergilemektedir. Kâr bazlı yaklaşımda kullanılan meta-sezgisel yöntemler arasında Yapay ArıKolonisi (YAK) algoritması, Göçmen Kuşlar Algoritmasının modifiye edilmiş versiyonu (d-GKO) haricindeki algoritmalardanha vermektedir.

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

طبقه بندی سود محور: رویکردهای جدید و کاربردهای تجاری

نویسنده محمودی، نادر

تاریخ انتشار 2015-11

موضوع الگوریتم های ژنتیک

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شماره ثبت 14c73a66-b5a0-49c3-ad66-80fad32a10c6

محل کتابخانه گروه مهندسی صنایع

تاریخ 2015-11

متن نمونه مسائل طبقه بندی رایج ترین مشکلات پیش بینی هستند که به طور سنتی توسط الگوریتم های داده کاوی (DM) حل می شوند. هدف در نظر گرفته شده در این الگوریتم ها، هدفی آماری است که با هدف به حداقل رساندن تعداد (یا تعداد وزنی) مشاهدات (نمونه ها) طبقه بندی نادرست انجام می شود. اخیراً، طبقه‌بندی حساس به هزینه توجه محققان را به خود جلب کرده است زیرا الگوریتم‌های موجود قادر به مقابله با نگرانی‌های خاص در برخی از مشکلات رایج نیستند. دو نگرانی خاص وجود دارد. اولین مورد زمانی است که تعداد مشاهدات در طبقات مختلف متفاوت است - به نام عدم تعادل کلاس (یا چولگی). موضوع دوم زمانی است که به طور طبیعی هزینه های متفاوتی برای طبقه بندی اشتباه وجود دارد که باید در اجرای الگوریتم طبقه بندی در نظر گرفته شود. این مطالعه شامل دو نوع رویکرد سود محور برای مقابله با چهار مشکل واقعی است. در مرحله اول، ما تجزیه و تحلیل تشخیصی فیشر (FDA) را اصلاح کرده ایم و آن را به یک رویکرد حساس به سود تبدیل می کنیم. تجزیه و تحلیل تشخیصی فیشر حساس به سود (PFDA) FDA مبتنی بر خطا موجود را به گونه‌ای اصلاح می‌کند که بر مشاهدات سودآوری که فرضیات اصلی به حداقل رساندن خطا را به ارث می‌برند، تأکید می‌کند. رویکرد دوم به نام مدل‌سازی مبتنی بر سود، سعی می‌کند مشاهدات را با توجه به سود خالص کل طبقه‌بندی کند تا اشتباهات در طبقه‌بندی. این رویکرد فضای راه حل را برای یک تابع متمایز با حداکثر سود خالص با استفاده از فراابتکاری جستجو می کند. چهار فراابتکاری برای پیاده سازی رویکرد طبقه بندی مبتنی بر سود از جمله بهینه سازی پرندگان مهاجر (MBO)، کلونی زنبورهای مصنوعی (ABC)، بهینه سازی ازدحام ذرات (PSO) و الگوریتم ژنتیک (GA) استفاده می شود. در این مطالعه، ما همچنین اصلاحی را در MBO (m-MBO) پیشنهاد کرده‌ایم. نتایج نشان می‌دهد که FDA حساس به سود می‌تواند بیشتر از نسخه اصلی خود، نکات مثبت سودآور را بگیرد، اما تعداد موارد مثبت کمتری دارد که به درستی طبقه‌بندی شده‌اند. رویکرد حساس به سود، مفروضات به حداقل رساندن خطا را اتخاذ می کند، به طوری که اولویت در طبقه بندی برای مشاهدات سودآور تعیین می شود. از سوی دیگر، رویکرد مبتنی بر سود می‌تواند با استفاده از تابع هدف حداکثر کردن کل سود خالص، به راه‌حل‌های سودآور بیشتری دست یابد. از آنجایی که این رویکرد به طور کامل از مفروضات به حداقل رساندن خطا در حین آموزش غفلت می کند، عملکرد کمتری را در نرخ مثبت واقعی نشان داد. در میان فراابتکاری های مورد استفاده در رویکرد مبتنی بر سود، کلونی زنبورهای مصنوعی (ABC) و نسخه اصلاح شده MBO (m-MBO) همیشه بهتر از سایر فراابتکاری ها عمل می کنند. çözülmeye çalışmıştır. Bu algoritmalarda ele alınan amaç functionu, yanlış sınıflandırılan gözlemlerin (durumların) sayısının (veya ağırlıklı toplam sayısının) en aza indirilmesini hedeflemektedir. Mevcut algoritmalar bazıpopüler problemlerde özel durumları doğru şekilde ele alamadıklarından dolayı, son dönemlerde maliyete duyarlı sınıflandırma araştırmacıların dikkatini çeker hale gelmiştir. Sınıf dengesizliği nedeniyle gözlem sayısının farklısınıflardaki değişkenliği، و sınıflandırma algoritmaların uygulanması esnasında یانلیش سینیفلاندیرما maliyetlerinin farklılımazelığınolle bulunmaktadır. Bu çalışma، iki tip kâr odaklı yaklaşımla döort ayrıgerçek hayat probleminin çözülmesini içermektedir. İlk olarak, Fisher Diskriminant Analizi (FDA) üzerinde değişiklikler yapılmış ve kara duyarlıbir yaklaşım haline getirilmiştir. Kâra duyarlıFisher Diskriminant Analizi (KFDA) esas hata minimumasyonu varsayımlarını koruyarak, yapılan değişikliklerle mevcut hata bazlı FDA'nın daha karlıgözlemleri daha fazla dikkate almasınısağlamışt. İkinci yaklaşım olan kâr bazlımodelleme, gözlemleri sınıflandırma hatasından ziyade toplam net kârlarna göre sınıflandırmaktadır. Bu yaklaşım، meta-sezgisel algoritmalar kullanarak çözüm alanında maksimum net kâr ayırt edecek bir functionu aramaktadır. Kâr bazlı sınıflanırma yaklaşımınıuygulamak için, Göçmen Kuşlar me optimizationu (GKO), Yapay Arı Kolonisi (YAK) Algoritması, Parçacık Sürü Optimizasyonu (PSO) و Genetik Algoritma (GA-dışmseltazere) kullanılmıştır. Başka bir katkı olarak ise، bu çalışmada Göçmen Kuşlar Algoritmasının modifiye edilmiş versiyonu (d-GKO) sunulmaktadır. Sonuçlara bakıldığında kâra duyarlı FDA, orijinal versiyonuna göre kârlı pozitif kayıtları daha fazla yakalayabilmektedir. Bu yaklaşım daha az sayıda pozitifi doğru olarak sınıflandırmayıbaşarmaktadır، فكات هاتا مينيميزيو varsayımlarınıadapte ederek sınıflandırmadaki önceliği kârlı gözlemlere vermektedir. kâr bazlı yaklaşım toplam net kârını maksimizasyonunu amaç functionu olarak kullanarak daha fazla kâr getiren çözümler elde etmektedir. Bu yaklaşım öğrenme esnasında hata minimiasyonu varsayımlarınıtamamen yok saydığı için, doğru pozitif oranıaçısından daha düşük performans sergilemektedir. Kâr bazlı yaklaşımda kullanılan meta-sezgisel yöntemler arasında Yapay ArıKolonisi (YAK) algoritması, Göçmen Kuşlar Algoritmasının modifiye edilmiş versiyonu (d-GKO) haricindeki algoritmalardanha vermektedir.