بررسی تاثیر پارامترها بر روی دقت دستهبندیکننده ملهم از انتخاب معکوس NSSAC

در دهه اخیر، دستهبندی دادهها یکی از مهمترین مسائل بشمار میرود. تکنیکهای مبتنی بر ایمنی مصنوعی جدیدترین تکنیکهای هوشمصنوعی در رابطه با دستهبندیکنندهها میباشند. با این وجود اغلب دستهبندیکنندههای مبتنی بر ایمنی مصنوعی نیاز به تنظیمپارامترهای متعددی دارند. بدیهی است که انتخاب مقداری بهینه برای این پارامترها، نه تنها امری خطاپذیر و وقتگیراست؛ بلکه نیاز به درک کامل جزئیات مجموعه داده دارد. جهت رفع این مشکل، ما الگوریتمی بنام دسته بندی کننده تطبیقی مبتنی بر انتخاب معکوسNSSAC را در پژوهشهای پیشین خود ارائه نمودیم. اگرچهNSSAC نیاز بهئ تنظیم دو پارامتر دارد اما ساختار آن به گونهای است که خود بصورت اتوماتیک به مقدار بهینه این پارامترها دست مییابد. لذا در این پژوهش در راستای تکمیل یافتههای پیشین، ضمن معرفیNSSAC به بررسی تاثیر پارامترهای دوگانه آن بر روی سه مجموعه داده استاندارد یادگیری ماشین میپردازیم. نتایج نشان می دهد کهNSSAC فاقد پیچیدگیهای لازم جهت تنظیم هر باره پارامترها است و مقدار بهینه این پارامترها به صورت اتوماتیک برای هر مجموعه داده ای ایجاد میشود