طراحی یک طبقه بندی کننده توزیع شده مبتنی بر آموزش زیرفضاها

طبقه بندی کننده ها یکی از قوی ترین ابزارها در حوزه شناسایی الگو و یادگیری ماشین می باشند و تاکنون روش های یادگیری، توپولوژی و ساختارهای متفاوتی برای آن ها ارائه شده است. از آنجایی که نقطه قوت طبقه بندی کننده در شکل دادن به مرز بین کلاس ها متفاوت است، انتخاب نوع طبقه بندی کننده به چینش نمونه ها در فضای ویژگی بستگی دارد. باوجود ساختارها و روش های متعدد ارائه شده، هنوز یکی از چالش های موجود برای محققان در این زمینه، طراحی یا انتخاب یک مدل مناسب برای داده های جدید با توزیع های ناشناخته است. هدف این پژوهش، ارائه یک طبقه بندی کننده توزیع شده هوشمند است. در این روش، ابتدا فضای ورودی با استفاده از الگوریتم های خوشه بندی موثر، تقسیم بندی شده و سپس بر روی هر زیر فضا (خوشه) یک یا چند یادگیرنده آموزش می بیند. در فاز آزمایش، برای هر نمونه ورودی ابتدا تعلق آن به یکی از زیر فضاها با معیار فاصله تعیین شده و سپس طبقه بندی کننده آن زیر فضا وظیفه تعیین برچسب آن نمونه را به عهده می گیرد.