عملکرد الگوریتم نزدیک ترین همسایه با یادگیری جمعی و ترکیب طبقه بند ها

انگیزه ی اصلی یادگری جمعی و ترکیب طبقه بند ها ، کاهش نرخ خطا می باشد. فرض مبنایی این متدولوژی آن است که در حالت دسته جمعی احتمال اشتباه در تشخیص دسته یا جایگاه یک نمونه جدید خیلی کمتر از حالت پیش بینی با تنها یک مدل میباشد. هنگام ترکیب تصمیم گیرنده های مستقل و متفاوت، هر کدام از این تصمیم گیرنده ها در بدترین حالت بهتر از یک حدس زدن تصادفی عمل خواهند کرد، در نتیجه احتمال اخذ تصمیم درست تقویت میشود. با یادگری جمعی و ترکیب طبقه بند ها می توان کارایی الگوریتم ها را بالا برده و خطای طبقه بندی را کاهش داد همچنین باعث می شود تا توانایی طبقه بند هایی که قدرت کمتری دارند با طبقه بندهای دیگر پوشش داده شود. در این مقاله یک روش یادگری جمعی با رای اکثریت ارائه شده است تا با استفاده از ترکیب وزن-دار چند الگوریتم طبقه بندی، کارایی آنها بهبود داده شود و با بهترین تصمیم گیری و با دقت مطلوب طبقه بندی داد ها انجام گیرد. در این روش از ترکیب چند طبقه بند نزدیک ترین همسایه استفاده شده است و با مجموعه ایی از پایگاه داده ها مختلف الگوریتم ها ویژگی های داده ها را بررسی کرده و با وزن دهی به هر داده آنها را طبقه بندی می کنند سپس از یک مکانیسم رای گیری به روش رای اکثریت برای تعیین خروجی نهایی مدل طبقه بندی با روش ترکیب و یادگیری جمعی استفاده می کنند. روش پیشنهادی توانسته با تحلیل پذیری دقیق تر با روش یادگیری جمعی و ترکیب الگوریتم های طبقه بندی با دستیابی به خروجی با دقت بالا و نرخ خطای پایین بسیار موفق عمل کند. مدل ارایه شده توانسته در بهینه سازی عملکرد الگوریتم نزدیک ترین همسایه با یادگیری جمعی و ترکیب طبقه بند ها با دقت مطلوبی عمل کند.