دو روش تبدیل ویژگی مبتنی بر الگوریتم‌های ژنتیک برای کاهش خطای دسته‌بندی ماشین بردار پشتیبان

در بازشناسی الگو، یکی از روش های افزایش دقت بازشناسی، بهره گیری از روش های متمایزساز است. این روش ها یا به‌صورت تبدیل متمایزساز بر ویژگی ها به‌کار می روند یا از روش های یادگیری متمایزساز برای آموزش دسته بند استفاده می کنند. به‌طور معمول معیار تبدیلات متمایزساز متفاوت با معیار آموزش و یا خطای دسته بندهای متمایز ساز است. در مقاله حاضر، برای هماهنگ‌کردن 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 کمینه‌کردن خطای دسته بندی ماشین بردار پشتیبان است. علاوه‌بر این، روشی برای تخمین تبدیل ویژگی با استفاده از الگوریتم ژنتیک دوهدفه، پیشنهاد می شود که معیار این تبدیل بیشینه‌شدن تمایز بین‌دسته ای (مطابق با معیار روش های تبدیل ویژگی) و کمینه‌کردن خطای دسته بندی ماشین بردار پشتیبان به‌صورت هم‌زمان است. ارزیابی بر روی دادگان uci نشان می دهد که استفاده از معیارهای هم‌زمان خطای دسته بندی و تمایز بین‌دسته ای در تبدیل ویژگی سبب بهبود عملکرد تبدیلات ویژگی متمایزساز متداول در افزایش دقت دسته بندی ماشین بردار پشتیبان می‌شود؛ علاوه‌بر اینکه استفاده از تبدیل ویژگی با معیار خطای دسته بندی نسبت به دیگر روش های شناخته‌شده تبدیل ویژگی و نیز روش دوهدفه، دقت دسته بندی ماشین بردار پشتیبان را بیشتر افزایش می دهد.