بهبود کارایی ماشین یادگیری مفرط با استفاده از الگوریتم کرم شب تاب تطبیقی به منظور طبقه بندی و رگرسیون

امروزه الگوریتم ماشین یادگیری مفرط به عنوان یک الگوریتم یادگیری مناسب جهت آموزش شبکه های عصبیتک لایه رو به جلو (SLFN)، به صورت گسترده در حوزه های گوناگون کاربردی به کار می رود. کارایی بالای این الگوریتم همواره در پژوهش های مختلف بر روی مسایل گوناگون اثبات شده است. اما این الگوریتم هموارهبا چالش هایی همراه بوده که می توان از مهم ترین آن ها به تولید پارامتر های غیر بهینه حین انتخاب تصادفیپارامتر ها و بروز پدیده سرریز شدن هنگام استفاده از همه نمونه های آموزشی برای کمینه سازی خطا اشاره کرد .در این مقاله، ما یک روش ترکیبی را به منظور غلبه بر مشکلات ELM پیشنهاد می کنیم. ابتدا با استفاده از الگوریتم فرا ابتکاری کرم شب تاب تطبیقی،گروهی از بهترین شبکه ها انتخاب شده و سپس شبکه ها با رتبه بالاتر برای قرار گرفتن در Ensembleانتخاب می گردند. در ادامه به منظور کاهش پدیده سرریز شدن، از یک مجموعه داده اعتبار سنج استفاده کرده که به صورت تصادفی از کل مجموعه داده های آموزشی انتخاب شده اند. نتایج تجربی در مجموعه داده های مورد استفاده، نشان دهنده برتری روش پیشنهادی نسبت به روش های اخیر بوده و افزایش تعمیم پذیری و صحت را به همراه دارد.