بهبود روش های طبقه بندی نیمه نظارتی با استفاده از نظریه مجموعه های فازی و ناهموار

در روش های سنتی طبقه بندی داده ها، تمرکز بر روی داده های برچسب دار بوده است. اما در بسیاری از کاربردها، برچسب گذاری همراه با هزینه زیاد، زمانبر و نیازمند حضور خبرگان خواهد بود. در این کاربردها معمولا در کنار تعداد کم داده های برچسب دار، تعداد بسیار زیادی داده ی بدون برچسب وجود دارد. روش های نیمه نظارتی تعداد زیادی از داده های بدون برچسب را برای بهبود طبقه بندی استفاده می کنند. اغلب الگوریتم های یادگیری ماشین برای انجام طبقه بندی، نیازمند تعداد زیادی از داده های آموزشی هستند. بنابراین زمانی که این الگوریتم ها برای طبقه بندی نیمه نظارتی اعمال می شوند، طبقه بند نمی تواند به درستی داده های جدید را طبقه بندی کند.. در این پایان نامه، از تئوری مجموعه فازی و ناهموار به منظور انجام طبقه بندی نیمه نظارتی استفاده شده است که دلیل این امر، موفقیت آن ها در زمینه یادگیری بانظارت است. در این پایان نامه سه روش برای بهبود طبقه بندی نیمه نظارتی پیشنهاد می دهیم. در روش اول با استفاده از میانگین درجه عضویت نمونه ها در تقریب های پایین و بالای فازی-ناهموارِ هر یک از کلاس های تصمیم، عمل طبقه بندی نمونه انجام می گیرد و روش دوم و سوم با استفاده از مفاهیم موجود در تئوری فازی-ناهموار و رابطه تشابه فازی، برای هر یک از همسایگان نمونه ی بدون برچسب، وزنی را در نظر می گیرند و با استفاده از مجموع وزن همسایه ها طبقه بندی نمونه را انجام می دهند. روش پیشنهادی سوم، جزو روش های مشهور یادگیری خودفراگیر است. نتایج حاصل از اعمال سه روش پیشنهادی، نشان دهنده ی برتری آنها نسبت به روش های مقایسه شونده است. با توجه به نتایج تست های آماری، در میان این سه روش،روش پیشنهادی سوم کارایی بهتری به نسبت دو روش دیگر دارد.