دو روش تبدیل ویژگی مبتنی بر الگوریتم های ژنتیک برای کاهش خطای دسته بندی ماشین بردار پشتیبان

در بازشناسی الگو، یکی از روش های افزایش دقت بازشناسی، بهره گیری از روش های متمایزساز است. این روش ها یا به صورت تبدیل متمایزساز بر ویژگی ها به کار می روند یا از روش های یادگیری متمایزساز برای آموزش دسته بند استفاده می کنند. به طور معمول معیار تبدیلات متمایزساز متفاوت با معیار آموزش و یا خطای دسته بندهای متمایز ساز است. در مقاله حاضر، برای هماهنگ کردن معیار تبدیل ویژگی و نیز معیار دسته بندی ماشین بردار پشتیبان روشی برای تخمین تبدیل ویژگی با استفاده از الگوریتم ژنتیک (GA) پیشنهاد می شود که معیار تبدیل آن کمینه کردن خطای دسته بندی ماشین بردار پشتیبان است. علاوه بر این، روشی برای تخمین تبدیل ویژگی با استفاده از الگوریتم ژنتیک دوهدفه، پیشنهاد می شود که معیار این تبدیل بیشینه شدن تمایز بین دسته ای (مطابق با معیار روش های تبدیل ویژگی) و کمینه کردن خطای دسته بندی ماشین بردار پشتیبان به صورت هم زمان است. ارزیابی بر روی دادگان UCI نشان می دهد که استفاده از معیارهای هم زمان خطای دسته بندی و تمایز بین دسته ای در تبدیل ویژگی سبب بهبود عملکرد تبدیلات ویژگی متمایزساز متداول در افزایش دقت دسته بندی ماشین بردار پشتیبان می شود؛ علاوه بر اینکه استفاده از تبدیل ویژگی با معیار خطای دسته بندی نسبت به دیگر روش های شناخته شده تبدیل ویژگی و نیز روش دوهدفه، دقت دسته بندی ماشین بردار پشتیبان را بیشتر افزایش می دهد.