در این مقاله، طبقه­بندی مبتنی بر طبقه­بند K نزدیکترین همسایه­ها و خطای بازسازی، جهت دسته­بندی داده­ها معرفی شده است. در روش پیشنهادی، ابتدا K نزدیکترین داده (همسایه) به داده­ی آزمون، از هر دسته موجود در داده­های آموزش، محاسبه می­گردد. سپس به بازسازی داده­ی آزمون، بر حسب تعداد مختلفی از نزدیکترین همسایه­ها (از یک تا  K)، در هر دسته پرداخته شده و میزان خطای بازسازی به ازای هر تعداد همسایه به طور مجزا محاسبه می­گردد. در گام بعد، در هر دسته، میزان خطا به صورت جمع وزندار خطای حاصل از تمامی بازسازی­ها محاسبه می­گردد. وزن خطای بازسازی، متناسب با تعداد همسایه­های دخیل در آن در نظر گرفته شده است بدین ترتیب که خطای بازسازی در تعداد همسایه­های آن ضرب می­شود. در آخر، داده­ی آزمون به دسته­ای تعلق دارد که کمترین میزان خطای کل را دارا است. این عمل موجب می­گردد تا ترکیبی از طبقه­بندهای مبتنی بر K نزدیکترین همسایه به صورت هم­افزایی در طبقه­بندی داده­ها نقش ایفا نمایند. در این مقاله از 10 دسته­مجموعه متعلق به پایگاه داده­ی سری-زمانی UCR و پنج دسته-مجموعه متعلق به پایگاه داده­ی دسته­بندی UCI جهت ارزیابی روش پیشنهادی استفاده شده است. نتایج بدست آمده از این ارزیابی­ها نشان می­دهد که روش پیشنهادی، عملکرد طبقه ندهای KNN مبتنی بر کمترین خطای بازسازی را به میزان زیادی بهبود بخشیده و نرخ بازشناسی در برخی K ها را در حدود 5 درصد بهتر نموده و متوسط نرخ بازشناسی به ازای تمامی Kها (از 2 الی 15) در حدود 1.6 درصد بهبود یافته است.

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

هدایت هیدرولیکی خاک در بسیاری از مطالعات مربوط به حرکت آب و انتقال املاح مورد نیاز می باشد، لیکن در بیشتر موارد به علت محدودیت های عملی و یا هزینه ای، اندازه گیری آن با دشواری همراه است. رویکردهای غیر پارامتریک از جنبه های مختلفی برای تخمین متغیرهای پیوسته بکار رفته اند. در این پژوهش نوعی از الگوریتم های غیر پارامتریک از نوع یادگیرنده های تنبل موسوم به -k نزدیکترین همسایه، برای تخمین هدایت هیدرولیکی اشباع خاک با استفاده از دیگر ویژگیهای کمکی خاک شامل توزیع اندازه ذرات، هدایت الکتریکی عصاره اشباع (ECe)، رطوبت اشباع(θs) ، درصد کربن آلی(OC) ، مقدار مواد خنثی شونده (TNV) و جرم ویژه حقیقی و ظاهری بکار گرفته شد. بر اساس تکنیک ارزیابی تقاطعی برای تخمین هدایت هیدرولیکی اشباع هر نمونه خاک هدف، تعداد 10 نمونه خاک که حداکثر تشابه با خاک هدف را داشتند، از بانک مرجع که حاوی 151 نمونه خاک بود، انتخاب و مقدار هدایت هیدرولیکی اشباع آنها برآورد گردید. استفاده از آماره های ضریب همبستگی پیرسون(r=0.801) ، خطای ماکزیمم (ME=120.4)، ریشه میانگین مربعات خطا (RMSE=71.5)، ضریب تبیین(CD=1.32) ، کارآیی مدل (EF=0.65) و ضریب جرم باقیمانده (CRM=-0.046) نشان داد که در بیشتر موارد، این تکنیک بصورتی قابل قبول توانایی تخمین کمیت مورد نظر را دارد. بر این اساس، می توان نتیجه گیری کرد که استفاده از این تکنیک به عنوان روشی جایگزین برای اشتقاق توابع انتقالی خاک، به ویژه هنگامی که فراهمی داده های جدید؛ نیاز به اشتقاق مجدد این توابع را الزام آور می کند، می تواند بکار رود.

مقدمه: از مشکلات اصلی در علم پزشکی، تشخیص و پیش بینی به موقع بیماری ها می باشد. استفاده از سیستم های تصمیم یار به منظور کشف دانش نهفته در مجموعه اطلاعات بیماری و در سوابق مربوط به بیماران یکی از راهکارهایی است که در زمینه تشخیص و پیشگیری از بیماری بسیار موثر می باشد. هدف اصلی از این مقاله، طراحی یک سیستم تصمیم یار پزشکی است که بتواند بیماری هپاتیت را تشخیص دهد. مواد و روش ها: این مطالعه از نوع توصیفی-تحلیلی می باشد. مجموعه داده آن شامل 155 رکورد با 19 ویژگی موجود در پایگاه داده یادگیری ماشین UCI می باشد. در این مقاله، از الگوریتم جلبک مصنوعی باینری برای انتخاب ویژگی و از k نزدیک ترین همسایه برای کلاس بندی هپاتیت به دو کلاس سالم و ناسالم استفاده شده است. از 80 درصد داده ها جهت آموزش و از 20 درصد باقی مانده جهت آزمون استفاده شده است. هم چنین جهت ارزیابی مدل از شاخص های دقت، بازخوانی، F-Measure و صحت استفاده شده است. یافته های پژوهش: بررسی اولیه نشان داد که درصد صحت مدل پیشنهادی برابر با 45/96 درصد می باشد. بعد از انتخاب ویژگی با الگوریتم جلبک مصنوعی درصد صحت در بهترین حالت به 36/98 درصد رسید. در مدل پیشنهادی در حالت 300 بار تکرار، مقدار معیارهای دقت، بازخوانی، F-Measure، و نرخ خطا به ترتیب برابر با 23/96 درصد، 74/96 درصد، 48/96 درصد، 55/3 درصد می باشند. بحث و نتیجه گیری: هپاتیت یکی از شایع ترین بیماری ها در بین زنان و مردان می باشد. تشخیص به موقع بیماری ضمن کاهش هزینه ها، شانس درمان موفقیت آمیز بیمار را افزایش می دهد. در این مطالعه ضمن تشخیص بیماری به کمک روش ترکیبی، توانستیم با استفاده از انتخاب ویژگی به دقت بالایی در تشخیص بیماری دست یابیم.