سيستم هاي دسته‌بند چندگانه روش هاي طراحي و قواعد تركيب شورا

Multiple Classifier Systems:Ensemble Design and Combination Methods

يكي از روش هاي مناسب براي بهبود صحّت دسته‌بندي، استفاده از چند دسته‌بند مختلف و سپس تركيب نتايج خروجي آنهاست كه اغلب تحت عنوان «سيستم هاي دسته‌بند چندگانه» يا «سيستم هاي شورايي» خوانده مي‌شود. سيستم هاي دسته‌بند چندگانه به‌طور كلّي شامل دو بخش اصلي «ايجاد شوراي دسته‌بندها» و «قواعد تركيب» آنهاست. پژوهش گران حوزه‌هاي مختلف از جمله بازشناسايي الگو، يادگيري ماشيني و آمار استفاده از سيستم هاي شورايي را بررسي كرده‌اند. نبوي كريزي و كبير اولين مقاله مروري فارسي را در اين حوزه ارايه و روش هاي تركيب دسته‌بندها را معرفي كرده‌اند. با اين حال، بررسي روند مقالات اخير نشان مي‌دهد پژوهش در حوزه سيستم هاي شورا بر روش هاي ايجاد شوراي دسته‌بندها تمركز كرده‌اند. از اين رو در اين مقاله تلاش شده است، ابتدا چارچوبي براي رويكردهاي مختلف ايجاد شوراي دسته‌بندها ارايه شود. براساس اين ساختار، روش هاي مختلف هر رويكرد معرفي شده و درادامه، روش هاي تركيب دسته‌بندها به اجمال بيان شده است. درپايان، با بررسي روند پژوهش هاي موجود، زمينه‌هاي تحقيقاتي مناسب در حوزه سيستم‌هاي شورايي ارايه شده است.

An emerging technique to improve classification performance is to build several different classifiers, and then to combine them, known as multiple classifier systems or ensemble classification systems. The design process of an ensemble system generally involves two steps: the collection of an ensemble of classifiers and the design of the combination rule. Researchers in various fields including pattern recognition, machine learning and statistics have examined the use of ensemble systems. Nabavi-Kerizi and Kabir provided a review of ensemble classification, where combining techniques have been mainly considered. However, the trend of recent papers in this active field shows that the ensemble systems have focused on different ways to design the ensemble of classifiers. In this paper, first we aim to establish a framework for different approaches. Based on this architecture, each approach has been introduced in etails. Combination methods are then described in brief. At the end, active research areas in the field of ensemble learning are presented.