مقاله Selection of classifiers and their combiners based on multiدرobjective optimization in ensemble learning با word دارای 9 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله Selection of classifiers and their combiners based on multiدرobjective optimization in ensemble learning با word کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله Selection of classifiers and their combiners based on multiدرobjective optimization in ensemble learning با word،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله Selection of classifiers and their combiners based on multiدرobjective optimization in ensemble learning با word :
سال انتشار: 1392
محل انتشار: همایش ملی مهندسی کامپیوتر و توسعه پایدار با محوریت شبکه های کامپیوتری، مدل سازی و امنیت سیستمها
تعداد صفحات: 9
چکیده:
Ensemble learning is a method that improves the performance of classification problems. According to recent studies, selecting a subset of trained classifiers is better than all of available classifiers. By using these studies and evolutionary multi-objective optimization methods, we propose an ensemble learning approach called Multi-objective Optimization for Selecting and Combining Different Classifiers (MOSCDC) that selects the best classifiers and their combiners based on error and diversity objectives. MOSCDC strongly decreases the generalization error model. For optimization of error and diversity objectives in order to select classifiers and their combiners, we use multi-objective optimization methods based on genetic algorithm. In order to calculate the diversity of classifiers, we use Q-statistic method in our experiments. We compare the results of our experiment with related works on different datasets from UCI Machine Learning Repository and most of the time we obtain better results from the view point of classification accuracy and diversity.