دانلود ترجمه مقاله طبقه بندی داده های بزرگ با طبقه بندی کننده های ماشین بردار پشتیبان (Thesai ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

طبقه بندی داده های بزرگ با طبقه بندی کننده های ماشین بردار پشتیبان با الگوریتم اصلاح شده PSO و مجموعه های ماشین بردار پشتیبان

Big Data Classification Using the SVM Classifiers with the Modified Particle Swarm Optimization and the SVM Ensembles

چکیده

1- مقدمه

2- دسته‌بندی‌کننده ماشین بردار پشتیبان

3- الگوریتم اصلاح شده بهینه‌سازی ازدحام ذرات

4- مجموعه ماشین بردار پشتیبان

5- دسته‌بندی‌کننده دوسطحی ماشین بردار پشتیبان

6- مطالعات آزمایشی

چکیده

مسئله طراحی دسته‌بندی‌کننده‌های ماشین بردار پشتیبان (SVM) با استفاده از الگوریتم اصلاح‌شده بهینه‌سازی ازدحام ذرات (PSO) و مجموعه‌های آن‌ها در این مطالعه مورد بررسی قرار گرفته است. حل این مسئله امکان اجرای دسته‌بندی داده‌ها با دقت بالا به خصوص دسته‌بندی داده‌های بزرگ (Big Data) را با صرف زمان قابل‌قبول فراهم می‌سازد. الگوریتم اصلاح‌شده PSO به جستجوی همزمان نوع توابع هسته، پارامترهای تابع هسته و ارزش پارامتر تنظیم‌ در دسته‌بندی‌کننده SVM می‌پردازد. طرح بازتولید ذرات به عنوان مبنای الگوریتم اصلاح‌شده PSO عمل نموده است. در پیاده‌سازی این الگوریتم، برخی ذرات، نوع تابع هسته خود را به تابعی که با ببشترین دقت دسته‌بندی با ذره مطابقت می‌کند، تغییر می‌دهند. الگوریتم ارائه‌شده PSO امکان کاهش مدت زمان صرف‌شده برای دسته‌بندی‌کننده‌های طراحی‌شده SVM که برای مسئله دسته‌بندی داده‌های بزرگ بسیار مهم است، فراهم می‌سازد. در اکثر موارد، این‌گونه دسته‌بندی‌کننده SVM کیفیت بالایی از دسته‌بندی‌ داده‌ها را ارائه می‌دهد. در موارد استثنایی می‌توان از مجموعه‌های SVM مبتنی بر الگوریتم بیشینه‌سازی غیرهمبستگی برای راهبردهای مختلف تصمیم‌گیری در مورد دسته‌بندی داده‌ها و قاعده رأی اکثریت استفاده کرد. علاوه بر این، دسته‌بندی‌کننده دوسطحی SVM نیز ارائه شده است. این‌نوع دسته‌بندی‌کننده به عنوان گروه دسته‌بندی‌‌کننده‌های SVM در سطح اول و به عنوان دسته‌بندی‌کننده SVM بر مبنای الگوریتم اصلاح‌شده PSO در سطح دوم عمل می‌کند. نتایج مطالعات آزمایشگاهی بر اثربخشی روش‌های ارائه‌شده جهت دسته‌بندی داده‌های بزرگ مهر تأیید می‌زند.

8- نتیجه‌گیری

کارآمدی روش‌های ارائه شده با توجه به نتایج آزمایشی مورد تأیید قرار گرفته است. دسته‌بندی کننده‌های SVM بر مبنای الگوریتم اصلاح شده PSO امکان دسته‌بندی داده‌ها را با دقت دسته‌بندی بالا فراهم ‌می‌سازند. علاوه بر این، الگوریتم اصلاح شده PSO امکان انتخاب بهترین نوع تابع هسته، مقادیر پارامترهای تابع هسته و مقدار پارامتر منظم‌سازی با صرف زمان مناسب را میسر می‌سازد که هنگام استفاده از الگوریتم قدیمی PSO بسیار کمتر می‌شود. ویژگی اصلی الگوریتم اصلاح شده PSO، استفاده از بازسازی ذرات است. مجموعه‌های SVM مبتنی بر الگوریتم بیشینه‌سازی رفع همبستگی در رابطه با استراتژی‌های متفاوت تصمیم‌گیری درباره دسته‌بندی داده‌ها و قاعده رأی اکثریت امکان کاهش تصمیم دسته‌بندی تصادفی بدست آمده بوسیله یک دسته‌بندی‌کننده را فراهم می آورند و به بهبود دقت دسته‌بندی نیز کمک می‌کنند. نقاط ضعف برخی دسته‌بندی‌کننده‌ها با نقاط قوت دسته‌بندی‌کننده‌های دیگر به واسطه ترکیب نتایج آن‌ها جبران می‌شود. دسته‌بندی‌کننده‌ها بین تصادف نتایج با یکدیگر تعادل برقرار کرده و معقول‌ترین تصمیم دسته‌بندی خروجی را پیدا می‌کنند. این امر امکان یافتن بهترین نتیجه دسته‌بندی با کمترین خطای دسته‌بندی را فراهم می‌نماید.

Abstract

The problem with development of the support vector machine (SVM) classifiers using modified particle swarm optimization (PSO) algorithm and their ensembles has been considered. Solving this problem would allow fulfilling the highprecision data classification, especially Big Data classification, with the acceptable time expenditures. The modified PSO algorithm conducts a simultaneous search of the type of kernel functions, the parameters of the kernel function and the value of the regularization parameter for the SVM classifier. The idea of particles’ «regeneration» served as the basis for the modified PSO algorithm. In the implementation of this algorithm, some particles change the type of their kernel function to the one which corresponds to the particle with the best value of the classification accuracy. The offered PSO algorithm allows reducing the time expenditures for the developed SVM classifiers, which is very important for Big Data classification problem. In most cases such SVM classifier provides the high quality of data classification. In exceptional cases the SVM ensembles based on the decorrelation maximization algorithm for the different strategies of the decision-making on the data classification and the majority vote rule can be used. Also, the two-level SVM classifier has been offered. This classifier works as the group of the SVM classifiers at the first level and as the SVM classifier on the base of the modified PSO algorithm at the second level. The results of experimental studies confirm the efficiency of the offered approaches for Big Data classification.

VII- CONCLUSION

The efficiency of the suggested approaches has been confirmed by the results of experimental studies. The SVM classifiers on the base of the modified PSO algorithm allow classifying data with the high classification accuracy. The modified PSO algorithm allows choosing the best kernel function type, values of the kernel function parameters and value of the regularization parameter within appropriate time expenditures, which turned out to be significantly less than when using the traditional PSO algorithm. The main feature of the modified PSO algorithm is using the «regeneration» of the particles. The SVM ensembles based on the decorrelation maximization algorithm for the different strategies of the decision-making on the data classification and the majority vote rule allow reducing the accident classification decision received by one classifier, and help to improve the classification accuracy. The shortcomings of some classifiers are compensated by strengths of others classifiers thanks to combination of their results. Classifiers counterbalance the results’ accident of each other, finding the most plausible output classification decision. It allows finding the best classification result with minimum classification error.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

طبقه بندی داده های بزرگ با طبقه بندی کننده های ماشین بردار پشتیبان با الگوریتم اصلاح شده PSO و مجموعه های ماشین بردار پشتیبان

Big Data Classification Using the SVM Classifiers with the Modified Particle Swarm Optimization and the SVM Ensembles