یادگیری تجمعی
این مقاله، یادگیری تجمعی، اخیراً بهواسطهٔ فرایند ایجاد مقاله ایجاد شدهاست. بازبینیکننده در حال بستن درخواست است و این برچسب احتمالاً بهزودی برداشته میشود.
ابزارهای بازبینی: پیشبارگیری بحث اعلان به نگارنده |
خطای اسکریپتی: پودمان «AfC submission catcheck» وجود ندارد.
تعریف[ویرایش]
روشهای یادگیری تجمعی به روشهایی گفته میشود که با استفاده از ترکیب طبقه بندهای منفرد، مجموعه دادههای مورد نظر را طبقه بندی میکنند. یکی از اصلیترین چالشهای این حوزه نحوه ایجاد گوناگونی بین طبقه بندهای منفرد است. برای آنکه ترکیب نتایج طبقه بندها مفید واقع شود باید طبقه بندهای منفرد ضمن برخورداری از کارایی قابل قبول، با یکدیگر متفاوت بوده و قاعده ترکیب مناسبی برای تلفیق نتایج آنها بکار گرفته شود. قاعده ترکیب باید بهگونهای انتخاب شود که طبقه بندها نقاط ضعف یکدیگر را پوشش دهند. تنها با شناخت قواعد مختلف ترکیب و ویژگیهای آنها است که میتوان قاعده ترکیب مناسب را برای حل مسئله مورد نظر انتخاب کرد.
در مسئله تشخیص الگو، ترکیب طبقه بندها از اهمیت ویژهای برخوردار است. سه دیدگاه در این مورد عبارتاند از:[۱]
هر طبقه بند تا حد خاصی قادر به بازشناسی صحیح الگوها است و هیچ طبقه بندی قادر به تشخیص صحیح همه الگوها در تمام شرایط نیست. معمولاً برای یک کاربرد خاص، یک طبقه بند به تنهایی نرخ بازشناسی مورد نیاز را برآورده نمیکند و به ترکیب چند طبقه بند نیاز است. ویژگیهای مختلف، بازنماییهای متفاوتی از الگو هستند که هرکدام حاوی یک نوع اطلاعات مفید در مورد آن الگو هستند. برای بازشناسی یک الگو معمولاً به استخراج ویژگیهای متفاوتی نیاز است. بهعنوان مثال استفاده از اثر انگشت، عنبیه چشم و صدای شخص یک مسئله متداول در تشخیص هویت است[۲]. ترکیب نتایج طبقه بندهایی که از ویژگیهای متفاوتی استفاده میکنند میتواند کارایی سیستم تشخیص الگو را بهبود بخشد. استخراج برخی ویژگیها، منجر به پیدایش یک بردار ویژگی بزرگ میشود. تحلیل بردارهای ویژگی بزرگ توسط یک طبقه بند، زمان پردازش را طولانی میکند. این موضوع در کاربردهایی نظیر سی ستمهای بیومتریک مشکل ایجاد میکند. ترکیب طبقه بندها، این امکان را فراهم میآورد که بردارهای ویژگی با ابعاد بزرگ به بردارهای کوچکتری تقسیم شده و با طبقه بندهای کوچکتر و سادهتر بهصورت همزمان پردازش شوند. طبقه بندی نهایی با ترکیب نتایج این طبقه بندها صورت میگیرد[۳].
کارایی یک سیستم مرکب، لزوماً از کارایی بهترین طبقه بند موجود در سیستم بهتر نیست[۴].
برای آن که ترکیب نتایج خروجی طبقه بندها مفید واقع شود، باید نیازهای خاصی برآورده شوند. اولین نیاز، بهکارگیری یک چارچوب ریاضی مناسب برای قاعده ترکیب است تا به طریقی از نقاط قوت طبقه بندها استفاده و از نقاط ضعف آنها پرهیز شود. انتخاب نوع قاعده ترکیب نقشی اساسی در کارایی سیستم طبقه بندی مرکب دارد. دومین نیاز، وجود تعدادی طبقه بند پایه با کارایی قابل قبول و نسبتاً مستقل از یکدیگر است. نرخ بازشناسی صحیح برای طبقه بندهای پایه باید بیشتر از حدس تصادفی باشد.
نتایج تئوری [۵] و [۶] و تجربی [۷] و [۸] نشان میدهند که ترکیب چند طبقه بند، زمانی مفید واقع میشود که طبقه بندهای پایه، نرخ خطای کمی داشته باشند و خطاهای آنها با یکدیگر متفاوت باشند. دو طبقه بند، زمانی دارای خطاهای متفاوتی هستند که الگوهایی که طبقه بند اول بهصورت نادرست طبقه بندی کرده است، با آنهایی که دومی اشتباه طبقه بندی کرده است متفاوت باشند.
روشهای ایجاد گوناگونی[ویرایش]
ازآنجاکه طبقه بندها در یک فرایند یادگیری ساخته میشوند، بهمنظور داشتن طبقه بندهای گوناگون در خطا، باید فرایند یادگیری آنها را متفاوت در نظر گرفت. برای این کار روشهای متعددی پیشنهاد شده است. این روشها به دو دسته کلی تقسیم میشوند: روشهای ضمنی1 و روشهای صریح2.
روشهای ضمنی، با تغییرات ضمنی در فرایند یادگیری طبقه بندهای پایه سعی در گوناگون کردن آنها دارند. در این روشها در طی یادگیری هیچ معیاری از گوناگونی بررسی نمیشود و لذا هیچگونه تضمینی برای متفاوت شدن طبقه بندها وجود ندارد بلکه فقط امیدوار هستیم که خطاهای طبقه بندهای ایجاد شده با یکدیگر متفاوت باشند. متداولترین این روشها، انتخاب تصادفی همراه با جایگزینی نمونهها از بین کلیه نمونههای آموزشی است که روش کیسه کردن3 نامیده میشود[۹].
روشهای صریح، با تحت تأثیر قرار دادن مسیر یادگیری طبقه بندهای پایه، آنها را با یکدیگر متفاوت میسازند. این روشها در فرایند یادگیری طبقه بندها، معیاری از گوناگونی اعمال میکنند و بر اساس آن مسیر یادگیری طبقه بندها را در فضای یادگیری، تغییر میدهند تا طبقه بندهایی گوناگون در خطا ایجاد شوند. روشهای تقویتی4 و روشهای جریمهای5 از مهمترین روشهای صریح برای ایجاد گوناگونی در طبقه بندهای پایه هستند[۱۰].
[1]- Implicit methods
[2]- Explicit methods
[3]- Bagging method
[4]- Boosting methods
[5]- Penalty methods
This article "یادگیری تجمعی" is from Wikipedia. The list of its authors can be seen in its historical and/or the page Edithistory:یادگیری تجمعی. Articles copied from Draft Namespace on Wikipedia could be seen on the Draft Namespace of Wikipedia and not main one.
- ↑ خطای لوآ در پودمان:Citation/CS1/en/Identifiers در خط 47: attempt to index field 'wikibase' (a nil value).
- ↑ خطای لوآ در پودمان:Citation/CS1/en/Identifiers در خط 47: attempt to index field 'wikibase' (a nil value).
- ↑ خطای لوآ در پودمان:Citation/CS1/en/Identifiers در خط 47: attempt to index field 'wikibase' (a nil value).
- ↑ خطای لوآ در پودمان:Citation/CS1/en/Identifiers در خط 47: attempt to index field 'wikibase' (a nil value).
- ↑ خطای لوآ در پودمان:Citation/CS1/en/Identifiers در خط 47: attempt to index field 'wikibase' (a nil value).
- ↑ خطای لوآ در پودمان:Citation/CS1/en/Identifiers در خط 47: attempt to index field 'wikibase' (a nil value).
- ↑ D. Tax and, R. Duin, "Experiments with Classifier Combining Rules," Proc. Int. Workshop on Multiple, Springer, pp. 16-29, 2000.
- ↑ خطای لوآ در پودمان:Citation/CS1/en/Identifiers در خط 47: attempt to index field 'wikibase' (a nil value).
- ↑ خطای لوآ در پودمان:Citation/CS1/en/Identifiers در خط 47: attempt to index field 'wikibase' (a nil value).
- ↑ خطای لوآ در پودمان:Citation/CS1/en/Identifiers در خط 47: attempt to index field 'wikibase' (a nil value).