پیکربندی مجموعه های پشته سازی برای داده کاوی با الگوریتم کلونی مورچگان

ترجمه مقاله پیکربندی مجموعه های پشته سازی برای داده کاوی با الگوریتم کلونی مورچگان

ترجمه مقاله Applying Ant Colony Optimization to configuring stacking ensembles for data mining 

در این پست ترجمه مقاله پیکربندی مجموعه های پشته سازی برای داده کاوی با الگوریتم کلونی مورچگان را برای شما عزیزان آماده کردیم که علاوه بر چکیده و مقدمه می توانید خود مقاله را نیز به طور رایگان دانلود نمایید.

چکیده پیکربندی مجموعه های پشته سازی برای داده کاوی با الگوریتم کلونی مورچگان :

قبل از شروع این مقاله می توان گفت که الگوریتم کلونی مورچگان (ACO)  یک روش محبوب در بین روش های فرا ابتکاری می باشد. در این تحقیقات، ما ساخت یک روش جدیدی از مجموعه را پیشنهاد می کنیم برای این منظور هم آزمایش های فراوانی بر روی داده کاوی به عمل آمده که جمعا 18 مجموعه است و به یادگیری مسئله داده کاوی نیز کمک می کند. نتایجات بدست آمده نشان می دهدکه روش جدید می تواند مجموعه های پشته سازی بهتری را ایجا کند.

توضیحات بیشتر در مورد ترجمه مقاله پیکربندی مجموعه های پشته سازی برای داده کاوی با الگوریتم کلونی مورچگان و دانلود رایگان مقاله اصلی لطفا به ادامه مطلب مراجعه نمایید.

مقدمه پیکربندی مجموعه های پشته سازی برای داده کاوی با الگوریتم کلونی مورچگان :

در طی این سال ها، عملکرد یک خوشه بندی بسیار سخت و دشوار بوده است. جدیدا، پژوهشگران علاقه زیادی نسبت به ترکیب خوشه بندی از خود نشان می دهند. روش های ترکیب، «مجموعه» نامیده می شود. در این تحقیقات ثابت شده که مجموعه ها در بیشتری از موارد به صورت تجربی عملکرد دقیقی از هر خوشه بندی دارند. اگر یک گروه به وسیله مجموعه ای از خوشه بندی ها ایجاد شود که از الگوریتم یادگیری یکسانی آموزش دیده باشد این گروه یک مجموعه همگن نامیده می شود. اگر یک گروه به وسیله مجموعه ای از خوشه بندی ها ایجاد شود که از الگوریتم یادگیری متفاوت آموزش دیده باشد، این گروه یک مجموعه نا همگن نامیده می شود.

 چکیده انگلیسی پیکربندی مجموعه های پشته سازی برای داده کاوی با الگوریتم کلونی مورچگان :

An ensemble is a collective decision-making system which applies a strategy to combine the predictions of learned classifiers to generate its prediction of new instances. Early research has proved that ensemble classifiers in most cases can be more accurate than any single component classifier both empirically and theoretically. Though many ensemble approaches are proposed, it is still not an easy task to find a suitable ensemble configuration for a specific dataset. In some early works, the ensemble is selected manually according to the experience of the specialists.

Metaheuristic methods can be alternative solutions to find configurations. Ant Colony Optimization (ACO) is one popular approach among metaheuristics. In this work, we propose a new ensemble construction method which applies ACO to the stacking ensemble construction process to generate domain-specific configurations. A number of experiments are performed to compare the proposed approach with some well-known ensemble methods on 18 benchmark data mining datasets. The approach is also applied to learning ensembles for a real-world cost-sensitive data mining problem. The experiment results show that the new approach can generate better stacking ensembles.

منبع : sciencedirect.com