عنوان مقاله:

نویسندگان:

فریبا تقی نژاد، محمد قاسم زاده

شبکه‌های عصبی مصنوعی یکی از مدل‌های مهم در حوزه یادگیری ماشین است که مبتنی بر ورودی‌های عددی هستند. یکی از چالش‌های کار با شبکه‌های عصبی، استفاده از آنها برای طبقه‌بندی ورودی‌های کیفی و غیرعددی است. برای استفاده از ورودی‌های غیرعددی در شبکه‌های عصبی، نیازمند نگاشت آنها به عدد یا برداری از اعداد هستیم. این امر با مشکلاتی از قبیل افزایش ابعاد داده ورودی مواجه می‌شود. در این پژوهش یک مدل شبکه عصبی تک لایه مبتنی بر ورودی‌های کمی و کیفی ارائه می دهیم که در آن نیازی به نگاشت مقادیر کیفی به اعداد نیست. مدل پیشنهادی، به هر مقدار کیفی موجود در مجموعه داده آموزشی یک وزن اولیه دلخواه تخصیص می‌دهد و در طی فرایند آموزش، این وزن‌ها به‌روزرسانی می‌شوند. به منظور ارزیابی عملکرد الگوریتم پیشنهادی از 5 مجموعه داده استفاده کرده‌ایم. با مقایسه عملکرد روش پیشنهادی با عملکرد دیگر مدل‌های یادگیری ماشین از جمله شبکه‌های عصبی چندلایه، ماشین بردار پشتیبان، طبقه‌بند بیز ساده و درخت‌های تصمیم می‌توان نتیجه گرفت که روش‌ پیشنهادی، با حذف فرایند نگاشت مقادیر کیفی به بردارهای عددی، مصرف حافظه و زمان آموزش مدل را به شدت کاهش می‌دهد. دقت مدل پیشنهادی نیز قابل رقابت با دیگر مدل‌های یادگیری ماشین بوده است

داده‌های عددی، داده‌های غیرعددی، شبکه‌های عصبی، یادگیری باناظر

برای لینک‌دهی به این مقاله از آدرس زیر استفاده نمایید:

برای ارجاع در منابع از عبارت زیر استفاده کنید:
تقی نژاد، فریبا، قاسم زاده، محمد، 1403، یک مدل شبکه عصبی جدید مبتنی بر ورودی‌های عددی و غیرعددی برای مسائل طبقه‌بندی دودویی، دومین کنفرانس بین المللی هوش مصنوعی و مهندسی نرم افزار، https://conf.shirazu.ac.ir/fa/archive_index.php?c=HN-aisoft24&aid=1509241