بهبود سیستم های یادگیری جمعی در یادگیری ماشین برای کاربردهای طبقه بندی

تصمیم گیری بر اساس نظر چندین کارشناس یا خبره یک عمل متداول در تمدن بشری می باشد که از یک رفتار ذاتی بشر الهام گرفته است و به عنوان پایه و اساس جامعه ی دموکراتیک در نظر گرفته شده است. در طول چند دهه ی گذشته، محققان هوش محاسباتی و یادگیری ماشین چنین روش تصمیم گیری را به روش های تصمیم گیری موجود اضافه کردند و آن را سیستم یادگیری جمعی نامیدند. سیستم یادگیری جمعی به بهبود کارایی و استحکام مسایل طبقه بندی مشهور می باشد. یک مثال آشکار در این زمینه دوربین های دیجیتال مدرن می باشد که به فناوری تشخیص چهره، مجهز هستند. همان طور که می دانید، تشخیص چهره به وسیله رایانه یکی از مهم ترین چالش ها در این حوزه بوده است. این چالش تا حد زیادی با استفاده از الگوریتم های یادگیری جمعی بهبود یافته است. بنابراین، در این پایان نامه، ما این سیستم ها را باهدف افزایش دقت مسائل طبقه بندی بهبود دادیم. طبق آخرین تحقیقات، انتخاب زیرمجموعه ی از طبقه بندهای آموزش دیده ممکن است بهتر از همه ی طبقه بندهای در دسترس باشد. در این پایان نامه، ابتدا یک رویکرد انتخاب گروه ثابت بر مبنای الگوریتم ژنتیک چندهدفه پیشنهاد دادیم و آن را ses-nsgaii نامیدیم که بهترین طبقه بندها و ترکیب کننده ی آن ها را توسط بهینه سازی همزمان دقت و تنوع انتخاب می کند. سپس، دومین رویکرد پیشنهادی این پایان-نامه بهبود des-p با استفاده از رویکرد پیشنهادی اول می باشد. دومین رویکرد پیشنهادی را des-p بهینه شده (odes-p) نامیدیم. سرانجام، با الهام از انتخاب گروه پویا، نمونه برداری افزایشی تصادفی، چرخ گردان و الگوریتم ژنتیک، ما روش انتخاب گروه پویا را پیشنهاد دادیم که بهترین طبقه بند ها و ترکیب کننده ی آن ها روی همه ی نمونه های آزمایشی با استفاده از الگوریتم ژنتیک انتخاب می کند و این روش des-rwga نامیده شد که بر روی داده های تشخیص خطای نرم افزار مورد بررسی و تحلیل قرار گرفت. به منظور مقایسه ی سه روش پیشنهادی با روش های دیگر، ما همه ی روش ها را روی مجموعه داده های مشهور پیاده-سازی کرده ایم. نتایج تحلیل های آماری نشان داد که روش های پیشنهادی رتبه ی بالاتری نسبت به روش های دیگر دارند و در نتیجه عملکرد آن ها در طبقه بندی بهتر است.