تركيب طبقه‌بندي كننده‌ها بر اساس آناليز عدم قطعيت با استفاده از معيار حداكثر انحراف نسبي

استفاده از تركیب نتایج چند طبقه‌بندی كننده‌یكی از روش‌های مرسوم جهت افزایش كارایی سیستم‌های تشخیص الگو می‌باشد كه در سال‌های اخیر موردتوجه محققین قرارگرفته است. برای اینكه تركیب منجر به افزایش دقت طبقه‌بندی شود لازم است كه طبقه‌بندی كننده‌های منفرد صحیح و متنوع باشند. همچنین قواعد تركیب باید به‌گونه‌ای باشد كه نقاط ضعف طبقه‌بندی كننده‌ها را بپوشاند. در این مقاله یك روش جدید تركیب پیشنهادشده است كه بر اساس آنالیز عدم قطعیت، نتایج طبقه‌بندی كننده‌های منفرد باهم تركیب می‌شوند. در این روش برای انجام آنالیز عدم قطعیت از معیار حداكثر انحراف نسبی استفاده شد. با اجرای طبقه‌بندی كننده‌های منفرد بیشترین شباهت، ماشین بردار پشتیبان، شبكه‌های عصبی و جنگل تصادفی، خروجی نتایج بر اساس آنالیز عدم قطعیت در تركیبات مختلف طبقه‌بندی كننده‌ها (تركیبات دوتایی، سه‌تایی، چهارتایی)، باهم تركیب شدند. دراین‌بین تركیب چهارتایی (ML, SVM, NN, RF)، نسبت به تركییات دوتایی و سه‌تایی طبقه‌بندی كننده‌های مختلف و نیز طبقه‌بندی كننده‌های منفرد دارای دقت بهتری می‌باشد بطوریكه برای طبقه‌بندی كننده‌های بیشترین شباهت، ماشین بردار پشتیبان، شبكه‌های عصبی، جنگل تصادفی و روش پیشنهادی تركیب در حالت تركیب چهارتایی، به ترتیب دقت كلی برابر 77.95%، 80.01%، 79.70%، 80.56% و 83.98% حاصل شد. در پایان روش پیشنهادی تركیب (حالت چهارتایی) با روش‌های تركیب سنتی ماكزیمم، مینیمم، میانگین هندسی، میانگین حسابی، رأی اكثریت و نیز تركیب بر اساس دقت تولیدكننده مقایسه شد؛ بطوریكه به ترتیب دقت كلی معادل 80.11%، 80.94%، 82.14%، 81.14%، 81.92% و 79.94% به دست آمد. مقایسه دقت روش پیشنهادی بیانگر برتری این روش نسبت به روش‌های دیگر می‌باشد. با توجه به نتایج، روش پیشنهادی تركیب می‌تواند منجر به افزایش دقت طبقه‌بندی كننده‌ها شود.