یکی از روش های مناسب برای بهبود صحت دسته بندی نمونه ها، استفاده از چند دسته بند مختلف و سپس ترکیب نتایج خروجی آنهاست که اغلب تحت عنوان «سیستم های دسته بند چندگانه» یا «سیستم های شورایی» خوانده می شود. سیستم های دسته بند چندگانه به طور کلی شامل دو بخش اصلی «ایجاد شورای دسته بندها» و «قواعد ترکیب» آنهاست. پژوهش گران حوزه های مختلف از جمله بازشناسایی الگو، یادگیری ماشینی و آمار استفاده از سیستم های شورایی را بررسی کرده اند. نبوی کریزی و کبیر اولین مقاله مروری فارسی را در این حوزه ارائه و روش های ترکیب دسته بندها را معرفی کرده اند. با این حال بررسی روند مقالات اخیر نشان می دهد پژوهش در حوزه سیستم های شورا بر روش های ایجاد شورای دسته بندها تمرکز کرده اند. از این رو در این مقاله تلاش شده است، ابتدا چارچوبی برای رویکردهای مختلف ایجاد شورای دسته بندها ارائه شود. بر اساس این ساختار، روش های مختلف هر رویکرد معرفی شده و در ادامه، روش های ترکیب دسته بندها به اجمال بیان شده است. در پایان، با بررسی روند پژوهش های موجود، زمینه های تحقیقاتی مناسب در حوزه سیستم های شورایی ارائه شده است.

یکی از روش های مناسب برای بهبود صحت دسته بندی نمونه ها، استفاده از چند دسته بند مختلف و سپس ترکیب نتایج خروجی آن ها است که اغلب تحت عنوان «سیستم های دسته بند چندگانه» یا «سیستم های شورایی» خوانده می شوند. در این مقاله برای تشخیص بیماری آندومتریوز، سیستم دسته بند چندگانه بر اساس رویکرد زیرفضای تصادفی طراحی و پیاده سازی شده است. در این روش، دسته بندهای شورا با زیرمجموعه های ویژگی مختلف آموزش می بینند. در پایان، برای ارزیابی سیستم در تشخیص نمونه جدید آزمون، خروجی دسته بندها با روش رای گیری حداکثری ادغام می شوند.

پیشینه و اهداف: بیماری های قلبی به عنوان یکی از شایع ترین بیماری های جهان معرفی شده اند و تأخیر در درمان آن ها می تواند منجر به افزایش مرگ بیماران گردد. هدف اصلی این تحقیق ارتقاء شناسایی بیماران قلبی با استفاده از سیستم دسته بند یادگیر است. روش ها: در این تحقیق، از سیستم های دسته بند یادگیر با تکنیک های یادگیری مبتنی بر قواعد استفاده شده است. این تکنیک ها بر پایه دو اصل اساسی یادگیری تقویتی و الگوریتم های تکاملی ژنتیک ساخته شده اند. سبک میشیگان به عنوان روش بهینه سازی انتخاب شده و مجموعه داده بیماران قلبی از مرکز تحقیقات افشار برای آموزش و یادگیری سیستم مورداستفاده قرارگرفته است. یافته ها: پس از آموزش سیستم، تعدادی قانون باارزش تولیدشده که در مرحله آزمون برای پیش بینی بیماران قلبی مورداستفاده قرار گرفته است. نتایج آزمایش ها نشان می دهد که با استفاده از سیستم دسته بند یادگیر بر مبنای سبک میشیگان، شناسایی بیماران قلبی بهبودیافته و دقت پیش بینی به 88 درصد افزایش یافته است؛ که این روش قادر به انجام شناسایی کامل تری از بیماران قلبی است. نتیجه گیری: با توجه به نتایج تحقیق، استفاده از سیستم دسته بند یادگیر بر مبنای سبک میشیگان به عنوان یک رویکرد بهینه، شناسایی بیماران قلبی را بهبود بخشیده و دقت پیش بینی را افزایش داده است. این روش می تواند بهبود مؤثری در درمان به موقع بیماران قلبی و کاهش مرگ ومیر ناشی از این بیماری ها داشته باشد.

امروزه با توجه به رشد روز افزون دسترسی به اسناد الکترونیکی، دسته بندی خودکار اهمیت وی‍‍‍‍‍‍‍‍‍‍ژه ای یافته است. روش های معمول در این زمینه، روش های یادگیری ماشین هستند. روش های بر اساس کمیته کارایی بهتری نسبت به سایر روش ها از خود نشان داده اند. در این مقاله، دو ایده در زمینه کمیته های دسته بند ارایه شده است. ایده اول برمبنای کمیته  baggingکه در آن هر کدام از اعضای کمیته روی زیرمجموعه ای از مجموعه سندهای آموزشی، ساخته می شوند، ارایه شده است. بر اساس این ایده، ابتدا مجموعه آموزش با یک روش خوشه بندی به چند خوشه، بر اساس مشابهت یا عدم مشابهت کلاس های اسناد آموزشی، تقسیم می شود و سپس از روی هر خوشه از اسناد، یک دسته بند ساخته شده و به عنوان عضو کمیته قرار داده می شود (روش یادگیری اعضای کمیته یکسان است). در ایده دوم ساخت کمیته ای دو سطحی مطرح شده است. در این ایده اعضای کمیته های سطح دوم خود کمیته هایی هستند که بر مبنای ایده اول ساخته می شوند. در ارزیابی ایده اول مشخص شد که افزایش کارایی بر مبنای معیار دقت و معیار بازخوانی در کمیته بیزین ساده نوع اول، بیشتر از سایر کمیته های نوع اول بوده و به ترتیب 12 درصد و 5.1 درصد می باشد. ارزیابی ها در کمیته نوع دوم (بر مبنای ایده دوم)، افزایش کارایی را نسبت به کمیته نوع اول نشان می دهند که بیشترین آن نسبت به کمیته Rocchio نوع اول بوده، که معیار دقت را در حدود 3.8 درصد و معیار بازخوانی را در حدود 18.8 درصد افزایش داده است.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.  

وجود داده های زاید در پاسخ حس گرهای بینی الکترونیکی اثر چشم گیری در دسته بندی بو دارد. برای بهبود صحت دسته بندی، می توان از سیستم دسته بندی چندگانه بر اساس انتخاب چند زیرمجموعه از ویژگی ها (به جای استفاده از تمام ابعاد بردار ویژگی) استفاده کرد. در این رویکرد که «شورای انتخاب ویژگی» نامیده می شود، فرض بر آن است که مجموعه اولیه ویژگی ها دارای داده هایی زاید بوده و می توان با انتخاب زیرمجموعه های ویژگی مختلف و سپس ترکیب دسته بندهای ایجادشده با این زیرمجموعه ها به نتایج دسته بندی بهتری رسید. در این مقاله پس از پیش پردازش سیگنال اولیه حس گرها و حذف نویز سیگنال با استفاده از تحلیل موجک، سیستم دسته بند چندگانه با زیرمجموعه های ویژگی  مختلف طراحی شده است: ویژگی های استخراج شده از سیگنال گذرای حس گر با روش خوشه بندی سلسله مراتبی طبقه بندی شده  و زیرمجموعه های مختلف با انتخاب یک ویژگی از هر خوشه ایجاد شده اند. این موضوع موجب بهبود تنوع دسته بندهای پایه و افزایش کارایی و سرعت دسته بندی می شود. روش پیشنهادی ابتدا در چند مجموعه داده تراز از مخزن داده UCI آزمون شده و پس از اثبات توانایی آن، در مجموعه داده بویایی حاصل از رایحه سه نوع شیرین بیان به کار برده شده است. نتایج حاصل نشان دهنده کارایی روش جدید در شناسایی الگوهای بویایی است.