آقای جلیل قویدل نیچران دانشجوی کارشناسی ارشد جناب آقایان دکتر مرتضی آنالویی و دکتر پیمان کبیری روز شنبه 29/11/90 ساعت 17در اتاق دفاعیه واقع در طبقه سوم دانشکده کامپیوتر از پروژه کارشناسی ارشد خود تحت عنوان بهبود دقت رده بندها با استفاده از ایجاد تنوع در میان رده بندهای پایهدفاع خواهند نمود.

 چکیده پایان نامه:

  هدف از این پایان­نامه ارائه روشی برای ایجاد مجمع رده­بندها با استفاده از ایجاد تنوع در میان رده­بندهای پایه است. در همین راستا دو روش ارائه شده است. در روش اول که رده­بندهای پایه آن را درخت­های تصمیم تشکیل می­دهند، تنوع با استفاده از اعمال تغییر در مجموعه آموزشی حاصل می­شود. در این روش به مقادیر تعدادی از خصیصه­ها در هر یک از الگوها مقداری تصادفی اضافه شده و این مقادیر باعث ایجاد تنوع در میان رده­بندهای پایه می­شوند. در نهایت پس از ساخت رده­بندها خروجی آن­ها با استفاده از رای اکثریت ترکیب می­شود. این روش با سه روش معروف ایجاد مجمع به نام­های بگینگ، بوستینگ و جنگل چرخش روی تعدادی از مجموعه داده­های مقایسه شده است. آزمون رتبه­های علامت­دار ویلکاکسون روی این مجموعه داده­ها نشان می­دهد که روش ارائه شده از هر سه روش بگینگ، بوستیگ و جنگل چرخش بهتر عمل کرده است.

  در روش دوم که از رده­بندهای ماشین بردار پشتیبان چند هسته­ای به عنوان رده­بند پایه استفاده می­کند تنوع از طریق استفاده از تعدادی از خصیصه­ها برای آموزش هر رده­بند و نیز انتخاب متفاوت هسته و پارامترهای هسته­ها در مجمع تزریق می­شود. در این روش هم برای ترکیب خروجی رده­بندها از روش رای اکثریت استفاده شده است. این روش نیز با بگینگ، بوستیگ و جنگل چرخش روی مجموعه داده­های مقایسه شده است. برای این روش نیز از آزمون رتبه­های علامت­دار ویلکاکسون استفاده شده است که نشان می­دهد این روش از هر سه روش ذکر شده دیگر روی این مجموعه داده­ها عملکرد بهتری داشته است.

  واژه‌های کلیدی: رده­بندی، مجمع رده­بندها، تنوع در مجمع رده­بندها، ماشین­ بردار پشتیبان چند هسته­ای

  Abstract:

  Thisthesisaims is to improve classification accuracy in classifier ensemble creation methods via creating diverse base classifiers. Two distinguished methods has been proposed; To create the training data for base classifier, first method randomly selects some of the features in the training set and for each pattern a pseudo random value is added to the selected feature values. Majority vote is used to combine decisions of base classifiers. Proposed method has been compared with bagging, boosting and rotation forest on some standard UCI data set. Wilcoxon singed-rank test shows that our method performs better than bagging, boosting and rotation forest.

  In the second method, SVM with multiple kernel learning is used as the base classifier. In this method every classifier’s training data has some of features in train set and kernel function parameters are pseudo random values. Majority vote has been used to combine base classifier’s decisions. Like first method Wilcoxon singed-rank test shows that on some UCI data sets this method outperforms bagging, boosting and rotation forest.

  Keywords: classification, classifier ensemble, diversity in ensemble methods, SVM with multiple kernel learning

  ارائه­دهنده:

 جلیل قویدل نیچران

  اساتید راهنما:

  دکتر مرتضی آنالویی - دکتر پیمان کبیری

  استاد ممتحن داخلی : دکتر بهروز مینایی

  استاد ممتحن خارجی :دکتر محمد رحمتی

  زمان : شنبه 29 بهمن ماه

  ساعت 17

  مکان: دانشکده مهندسی کامپیوتر- طبقه سوم- اتاق دفاعیه

  از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی