پیش بینی کیفیت وب سرویس با استفاده از الگوریتم های svr و svm

در سال‌های اخیر استفاده از وب سرویس‌ها هر روزه گسترش روز افزونی داشته است و انتخاب وب سرویس هایی که در بستر اینترنت قرار دارند به یک چالش مهم تبدیل شده است. این مسئله زمانی نمود بیشتری می‌یابد که وب سرویس‌های مشابه با ویژگی‌ها و عملکرد مشابه در زمینه کاری مربوطه زیاد باشد. در این مقاله روشی بر پایه تجمیع خبرگان ارائه خواهد شد که با استفاده همزمان از روش‌های یادگیری ماشین درخت تصمیم، ماشین بردار پشتیبان، تخمین‌گر بردار پشتیبان و شبکه عصبی تکاملی ‌به دسته بندی داده‌های کیفیت وب سرویس‌ها می‌پردازد. همچنین برای بهبود عملکرد شبکه عصبی از الگوریتم بهینه سازی رقابت استعماری استفاده شده است. استفاده همزمان از این روش‌ها باعث بهبود تشخیص خواهد شد، بدین صورت که داده هایی که توسط یکی از روش‌ها به اشتباه دسته بندی شده اند توسط روش‌های دیگر پوشش داده شده و خروجی درست روش‌های دیگر اثر دسته بندی غلط را در خروجی نهایی کمتر خواهد کرد. بدین صورت احتمال دسته بندی درست‌تر در روش پیشنهادی بالاتر خواهد بود.

predicting web service quality using svm, svr algorithms

in recent years, the use of web services has been increasing day by day, and the selection of web-based services has become an important challenge. this becomes more apparent when web services with similar features and functionality are highly relevant in the field of work. one of the most commonly used parameters for selecting these web services is the quality of service (qos) parameter. features like responsiveness, availability and reliability are the most important features in determining service quality. this research will provide an expert-based approach that categorizes web service quality data using concurrent decision tree machine learning, backup vector machine, backup vector estimator and evolutionary neural network. also to improve the performance of neural network is used imprialist competition algorithm. simultaneous use of these methods improved the detection of the check, in that the data that was incorrectly categorized by one method overlapped the other, and the correct output of the other methods reduced the effect of incorrect categorization on the final output. this way, the probability of categorization will be higher in the middle of the proposed method. the proposed method was tested on the qws dataset and obtained acceptable results. the accuracy of the proposed method for classification of web services based on their quality on the qws dataset is 90.20% compared to svm with smo training, ridor, furia, knn, naïve bayes, lwl, adaboost, kstar, ds, svm + sls , bpnn, j48, cart, pnn, gmdh, svm and treenet have higher accuracy rates.