سیده نگین سیدفخاری - دانشگاه آزاد اسلامی واحد قزوین، باشگاه پژوهشگران جوان، قزوین، ایرا
امین نیکویی آیین - دانشگاه آزاد اسلامی واحد همدان، باشگاه پژوهشگران جوان، همدان، ایرا

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

الگوریتم انتخاب معکوس، الگوریتم تولید محافظ، پارامتر آستانه تشخیص، دستهبندیکننده، سیستم ایمنی مصنوعی