روش جديد طبقه بندي چندكلاسه داده با كمك كاهش داده ها به منظور كاربرد در داده هاي حجيم

در اين مقاله، روش جديدي براي طبقه بندي چند كلاسه داده ها بر اساس كاهش داده ها، با هدف كاربرد براي داده هاي حجيم ارائه شده است. روش پيشنهادي داراي 2 فاز اصلي است: تشخيص نمونه هاي مرزي با كمك الگوريتم انتشار رو به جلو نمونه هاي اوليه بوسيله يك مجموعه از بردارهاي پشتيبان، و دادن برچسب مناسب به نمونه هاي ورودي، كه بر اساس تكنيك يك در مقابل همه پيشنهاد شده است. اين روش تنها با يك پارامتر تنظيم و گرايش كمي به overfitting مي تواند نرخ بالايي از دقت طبقه بندي را براي داده هايي با توپولوژي هاي پيچيده و كلاس هاي غير مقعر و يا نامتعادل ارائه دهد. روش ارائه شده با محاسبه error_rate و condensing_rate در محيط متلب ارزيابي شده است. نتايج نشان مي-دهد كه الگوريتم پيشنهادي توانسته با نرخ فشرده سازي بالايي ، نرخ خطاي طبقه بندي مناسبي نسبت به روش هاي محبوب ديگر داشته باشد. از اين سيستم پيشنهاد شده مي¬توان در ابزارهايي با حافظه پايين و انتقال حجم بالايي از داده استفاده كرد كه اين تراكم داده در داده هاي حجيم مي تواند از اهميت بالايي برخوردار باشد.