سه شنبه 23 مرداد 1397 | Tuesday 14 th of August 2018 صفحه اصلی گروه الکترونیکی کامپیوتر
4-3 تست روشها

در بررسی کارایی هر یک از کلاسه بند ها از تکنیک ارزیابی 10 تکه برابر استفاده شده است.برای اشنایی با نحوه ی عملکرد تکنیک ارزیابی k –تکه برابر به پیوست ب مراجعه فرمائید .

در این پژوهش برای روش کلاسه بندی درخت تصمیم از الگوریتم J48در نر م افزار Weka‌، کلاسه بندی بیزین از Naive Bayes، نزدیکترین k‌ همسایه از IBK، کلاسه بندی ماشین بردار پشتیبان از SMOو برای شبکه های عصبی از الگوریتم شبکه عصبی پرسپترون چند لایه(MLP) با همان پارامترهای پیش فرض تنظیم شده در نرم افزار weka‌استفاده شده است.

در ارزیابی روش های کلاسه بندی از معیار میزان دقت (Classifer accuracy) که میزان قابلیت و توانایی یک مدل در پیشگویی صحیح بر چسب یک کلاس را نشان می دهد استفاده شده است.

در ابتدا روش کلاسه بندی نزدیکترین kهمسایه به ازای مقادیر مختلف kبر روی مجموعه داده ها مورد تست قرار گرفت که نتایج در جدول 4-1 مشاهده می شوند. 

جدول4-1– تست روش نزدیکترین K همسایه به ازای مقادیر مختلف K

جدول4-1تست روش نزدیکترین Kهمسایه به ازای مقادیر مختلف

بنابراین در تست روش نزدیکترین kهمسایه برای مجموعه داده BREAST CANCERمقدار kبرابر 3، برای مجموعه دادهHEPATITISمقدار K  برابر 5 ، برای  HYPOTHYROIDمقدار K  برابر 9 ، برای   DIABETES  مقدار K   برابر 7 ،  برای  PRIMARY TUMOR   مقدار K  برابر 5 و برای مجموعه داده ی  HEART DISEASEمقدار K  برابر 9  انتخاب گردید.

جدول 4-2 نتایج حاصل از تست الگوریتمهای کلاسه بندی مذکور را بر روی مجموعه داده ها ی مورد استفاده نشان می دهد. 

جدول4-2 – درصد میزان دقت روشهای کلاسه بندی تست شده بر روی مجموعه داده ها

جدول4-2 درصد میزان دقت روشهای کلاسه بندی تست شده بر روی مجموعه داده ها 

همانطور که در جدول 4-2  مشاهده می شود برای همه مجموعه داده ها روش کلاسه بندی منحصر به فردی وجود ندارد که نسبت به سایرین دقت بیشتری داشته باشد. هر مجموعه داده به ازای یک روش کلاسه بندی خاص از دقت بهتری برخوردار است.  

Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26