طراحی طبقه بندی کننده‌های چند هدفه با استفاده از روش CFO

در طراحی طبقه‌بندی کننده‌ها و تخمین توابع تصمیم، غالبا هدف اصلی دسترسی به «نرخ تشخیص صحیح» بالا در فاز آموزش است. این در حالی است که اهداف دیگری نظیر میزان «قابلیت اطمینانِ» تصمیمات اتخاذ شده و «تعداد بهینه توابع تصمیم» نیز شاخص‌های بسیار مهمی هستند که در هنگام طراحی طبقه‌بندی کننده‌ها، هرگز نباید فراموش شوند. در این مقاله، ابتدا الگوریتم «بهینه سازی نیروی مرکزی» (CFO) برای بهینه سازی مسایل چند هدفه ارتقا یافته و سپس با به کارگیری روش ارائه شده طبقه‌بندی کننده‌هایی معرفی شده‌اند که به طور همزمان اهداف فوق‌الذکر؛ یعنی «نرخ تشخیص صحیح»، «قابلیت اطمینان»، و «تعداد ابر صفحه‌های لازم» را بهینه سازی می‌نماید. با توجه به انتخاب مقدار بهینه تعداد ابرصفحه‌ها در روش پیشنهادی، مسایل مهم «فوق- برازش» و «فوق-آموزش» نیز برطرف شده است. توانایی دستیابی همزمان به شاخص‌های مذکور در سایر طبقه‌بندی کننده‌های مبتنی بر روش‌های هوش جمعی وجود ندارد. نتایج عملی به دست آمده بر روی داده‌های آزمایشی نشان می‌دهند که طبقه‌بندی کننده چند منظوره پیشنهادی با تخمین «جبهه پّرِتو» مجموعه‌ای از انتخاب‌های متنوع و بهینه از ابرصفحه‌های جدا کننده کلاس‌های مختلف را برای برپایی شرایط دلخواه کاربر در خصوص انتخاب شاخص‌های فوق‌الذکر، فراهم می‌آورد.