بهبود الگوريتم آدابوست ناهمگن با استفاده از الگوريتم بهينه سازي كلوني مورچگان

Improved Adaboost Algorithm using Ant Colony Optimization Algorithm

كاربردهاي مختلف يادگيري ماشين در علوم و حوزه‌هاي مختلف، آن را به يكي از پرطرفدارترين شاخه‌هاي هوش مصنوعي تبديل كرده است. به جرات مي‌توان گفت دسته‌بندي داده‌هايي كه توسط الگوريتم‌هاي بينايي ماشين آموزش‌ديده و به يك مدل تبديل‌شده‌اند در بيشتر نرم‌افزارهاي كنوني استفاده مي‌گردد. بديهي است وجود روش‌هاي متفاوت در مدل‌سازي نمونه‌ها، منجر به توليد درصدي متفاوت از تشخيص بر روي‌داده‌هاي يك ديتاست مشترك خواهد شد كه هرقدر اين درصد بيشتر باشد، روش پيشنهادي نيز اعتبار بيشتري خواهد داشت. ممكن است خروجي الگوريتم‌هاي دسته‌بندي به‌گونه‌اي باشد كه تداخل زيادي در تشخيص آن‌ها مشاهده گردد. علت اين تداخل مي‌تواند داده‌هاي نويز و يا نمونه‌هايي باشد كه كمتر در فاز آموزش داده‌ها پديدار گرديده‌اند. جهت تقويت خروجي اين روش‌ها از فرا الگوريتم‌هايي استفاده مي‌گردد كه با تعيين ميزان خطا در فرضيه‌هاي از پيش تعيين‌شده؛ طي دورهاي متمادي نسبت به تقويت نمونه‌هاي درست كلاسه‌بندي نشده اقدام مي‌كنند. يكي از اين روش‌ها آدابوست است كه مشكل اساسي آن عدم حساسيت به نويز و بيش برازش است. بر اساس روش پيشنهادي با بهره‌گيري از الگوريتم فرا ابتكاري كلوني مورچگان، اين حساسيت به نويز را كاهش داده و مشكل بيش برازش در داده‌هاي كم تكرار ديتاست را به‌گونه‌اي برطرف نماييم كه احتمال عدم كلاسه‌بندي صحيح داده‌هاي پَرت به‌طور قابل‌توجهي كاهش يابد.

Different applications of machine learning in various sciences and fields have made it one of the most popular branches of artificial intelligence. It can definitely be said that classification of the data that has been trained by machine vision algorithms and become a model are being used in most of the current software. Obviously, the existence of various methods of modeling the samples will result in some different percentage of recognition on a common dataset. The higher the percentage, the more credible the proposed method will be. The output of the classification algorithms may be such that a great deal of interference could be seen in recognizing them. The reason for this interference might be the noise data or the samples that have less appeared in the data training phase. In order to strengthen the output of these methods, some meta-algorithms are used that strengthen incorrectly-classified samples by determining the error rate in predetermined hypotheses during consecutive periods of time. One of these methods is AdaBoost whose main problem is its lack of sensitivity to noise and overfitting. According to the proposed method, using the Ant Colony Meta Heuristic Algorithm, we can reduce the sensitivity to noise and eliminate the overfitting problem in low-repeated data so that the likelihood of improper classification of remote data would remarkably be reduced.