Comparative Analysis of Machine Learning Algorithms with Optimization Purposes

مبحث بهينه‌سازي و يادگيري ماشين به‌صورت گسترده‌اي به‌هم مرتبط هستند و بهينه‌سازي در مسايل مختلف منجر به استفاده از روش‌هاي يادگيري ماشين مي‌گردد. الگوريتم‌هاي يادگيري ماشين براي كلاس‌هاي ويژه‌اي از مسايل در يك زمان محاسباتي منطقي كار مي‌كنند و نقش مهمي در استخراج دانش از حجم انبوهي از داده‌ها دارند. در اين مقاله يك روش براي بهينه‌سازي دقت تشخيص نقص قطعه‌هاي بتني بر اساس ازريابي كيفي آن‌ها به‌كار گرفته شده است. بر اين اساس، چند الگوريتم يادگيري ماشين از جمله درخت تصميم‌گيري ‎C4.5‎ ، روش يادگيري قاعده ريپر و شبكه بيزين، براي بررسي نقص در بتن مورد مطالعه قرار گرفته‌اند تا يك سيستم تصميم‌گيري براي سرعت بخشيدن به فرآيند تشخيص نقص مهيا گردد. نتايج آزمايش‌ها نشان مي‌دهد كه ميزان تشخيص نقص ‎93‎‌ درصد با استفاده از الگوريتم يادگيري قاعده ارايه شده به‌ همراه روش استخراج ويژگي تبديل فوريه در مقايسه با ساير الگوريتم‌هاي يادگيري ماشين حاصل شده است.

The field of optimization and machine learning are increasingly interplayed and optimization in different problems leads to the use of machine learning approaches‎. ‎Machine learning algorithms work in reasonable computational time for specific classes of problems and have important role in extracting knowledge from large amount of data‎. ‎In this paper‎, ‎a methodology has been employed to optimize the precision of defect detection of concrete slabs depending on their qualitative evaluation‎. ‎Based on this idea‎, ‎some machine learning algorithms such as C4.5 decision tree‎, ‎RIPPER rule learning method and Bayesian network have been studied to explore the defect of concrete and to supply a decision system to speed up the defect detection process‎. ‎The results from the examinations show that the proposed RIPPER rule learning algorithm in combination with Fourier Transform feature extraction method could get a defect detection rate of 93% as compared to other machine learning algorithms.