دسته‌بندي مسائل باينري با استفاده از ماشين بردار پشتيبان و الگوريتم كلوني زنبورهاي مصنوعي تركيبي

يكي از روش‌هاي مهم پيش-پردازش داده‌ها در مسائل دسته‌بندي انتخاب ويژگي است. تا كنون الگوريتم‌هاي تكاملي بسياري براي كاهش تعداد ويژگي‌هاي داده‌ها به‌كار برده شده است‌. در اين مقاله روشي مبتني بر ماشين بردار پشتيبان و الگوريتم كلوني زنبورهاي مصنوعي تركيبي به نام MABC-SVM با هدف بهبود دقت دسته‌بندي با استفاده از زير مجموعه‌اي موثر از ويژگي‌ها ارائه شده است. به منظور بهينه‌سازي هم‌زمان پارامترهاي ماشين بردار پشتيبان و انتخاب زير مجموعه‌اي موثر از ويژگي‌هاي ورودي، الگوريتمي تركيبي به نام Mixed-ABC پيشنهاد شده است كه الگوريتم ABC باينري را با الگوريتم ABC پيوسته تركيب مي‌كند. نتايج ارزيابي بر روي تعدادي از مجموعه داده‌ها در UCI نشان مي‌دهند كه روش پيشنهادي در بيشتر موارد در مقايسه با روش‌هاي دسته‌بندي مشابه دقت بهتر دارد.