یکشنبه 30 شهریور 1399 | Sunday 20 th of September 2020 صفحه اصلی گروه الکترونیکی کامپیوتر
تابع ارزیابی مبتنی بر وابستگی - تابع تولید کننده مکاشفه ای

دو روش عمده در این گروه می­بینیم:

1)     Probability of Error & Average Correlation Coefficient (POE1ACC)

که خود شامل هفت روش است[Muc71]، ما در اینجا روش هفتم را که به گفته نویسنده کامل­تر است را بررسی می­کنیم.

در این روش اولین ویژگی به این صورت تعیین می­شود که احتمال خطا را برای تمام ویژگی­ها محاسبه می­کنیم، ویژگی با کمترین احتمال خطا (Pe)، به عنوان اولین ویژگی انتخاب می­شود. ویژگی بعدی، ان ویژگی است که مجموع وزن­دار Peو میانگین ضریب همبستگی(ACC) با ویژگی(های) انتخاب شده را مینیمم کند. سایر ویژگی­ها به همین ترتیب انتخاب می­شوند. میانگین ضریب همبستگی به این صورت است که میانگین ضریب همبستگی ویژگی کاندید با ویژگی­های انتخاب شده در ان نقطه محاسبه می­شوند.

 

شکل 8- الگوریتم Probability of Error & Average Correlation Coefficient (POE1ACC

 

شکل 8- الگوریتم Probability of Error & Average Correlation Coefficient (POE1ACC)

این روش می­تواند تمام ویژگی­ها را بر اساس مجموع وزن­دار درجه­بندی کند. شرط خاتمه نیز در این روش تعداد ویژگی­های مورد نیاز خواهد بود.

2)     روش PreSet

این روش از تئوری مجموعه­های ناهموار[1] استفاده می­کند. در اینجا یک کاهش[2] پیدا می­کنیم. یک کاهش مانند Rاز یک مجموعه Pبه این معنی است که نمونه­ها بوسیله ان کاهش به اندازه دقت مجموعه Pانتخاب شوند. پس از پیدا کردن یک کاهش، تمام ویژگی­هایی که در مجموعه کاهش داده شده وجود ندارند، را از مجموعه ویژگی حذف می­کنیم. سپس ویژگی­ها را بر اساس اهمیت ان‌ها درجه­بندی می­کنیم. اهمیت یک ویژگی بر این اساس بیان می­شود که یک ویژگی در جریان کلاس­بندی چقدر اهمیت دارد. این معیار بر پایه صفات وابستگی ویژگی تعیین می­شود [Mod93].


[1]- Rough set

[2]- Reduct

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