سیستم‌های دسته‌بند یادگیر مبتنی بر دقت: مدل‌ها، تجزیه‌وتحلیل و کاربردها برای وظایف دسته‌بندی

سیستم‌های دسته‌بندی یادگیری و به‌ویژه XCS به‌عنوان روش‌های امیدوارکننده برای دسته‌بندی وظایف و داده‌کاوی به وجود آمده است. این مقاله دو مدل از سیستم‌های دسته‌بندی یادگیری مبتنی بر دقت را در مورد انواع مختلف مشکلات دسته‌بندی بررسی می‌کند. با عزیمت از XCS تحول یک نقشه عمل کامل را به‌عنوان نمایندگی دانش تجزیه‌وتحلیل می‌شود.   

یک گزینه جایگزین سیستم دسته‌بند نظارت‌شده پیشنهاد شده است که بهترین نقشه عمل را با کارآیی بیشتری ایجاد می‌کند. همچنین بررسی می‌شود که چگونه فشار تناسب‌اندام جستجو را به سمت دسته‌بندی دقیق هدایت می‌کند. درحالی‌که XCS تناسب‌اندام را بر اساس یک طرح یادگیری تقویت می‌کند سیستم دسته‌بند نظارت‌شده تناسب‌اندام را از یک طرح یادگیری تحت نظارت تعریف می‌کند. تفاوت قابل‌توجهی در چگونگی فشار آمادگی به سمت دقت پیدا می‌شود و استفاده از یک رویکرد نظارت‌شده به‌ویژه برای مشکلات چند دسته و مشکلات باکلاس‌های نامتعادل را نشان می‌دهد. همچنین عوامل پیچیدگی موجود در هر نوع سیستم دسته‌بند یادگیر مبتنی بر دقت را بررسی می‌کند. مدلی در مورد پیچیدگی یادگیری سیستم دسته‌بند یادگیر ارائه می‌شود که بر اساس نمونه‌های نماینده ارائه‌شده به سیستم است. نتایج و مشاهدات همچنین به مجموعه‌ای از مشکلات دسته‌بندی دنیای واقعی که در آن سیستم دسته‌بند یادگیر مبتنی بر دقت نشان داده می‌شود با توجه به سایر الگوریتم‌های یادگیری عملکرد رقابتی دارند گسترش‌یافته است. این کار تجزیه‌وتحلیل گسترده‌ای از سیستم دسته‌بند یادگیر مبتنی بر دقت را ارائه می‌دهد در درک پویایی سیستم دسته‌بند یادگیر موارد برای بهبود بیشتر سیستم دسته‌بند یادگیر در کارهای دسته‌بند را نشان می‌دهد.

این مقاله سیستم دسته‌بند یادگیر را در مورد مشکلات دسته‌بندی بررسی می‌کند. مطالعه بر روی دو مدل سیستم دسته‌بند یادگیر مبتنی بر دقت متمرکز می­باشد: XCS و سیستم دسته‌بند نظارت‌شده. XCS تناسب را بر اساس دقت محاسبه‌شده از یک طرح یادگیری تقویت می‌کند و با این کار یک نقشه عملی کامل را تکامل می‌بخشد. سیستمی نزدیک به XCS طراحی شده است جایی که تناسب‌اندام نیز بر اساس دقت انجام می‌شود اما از منظر یادگیری نظارت‌شده محاسبه می‌شود. سیستم حاصل برخی از خصوصیات با سایر سیستم دسته‌بند یادگیر را به اشتراک می‌گذارد اما سازوکار اصلی تعمیم XCS است. این به سیستم دسته‌بند نظارت‌شده امکان می‌دهد تا تعمیم دقیق را از طریق حالت‌های صحیح یعنی درحالی‌که بهترین نقشه عمل را تکامل می‌دهد انجام شود. طراحی سیستم دسته‌بند نظارت‌شده ناشی از نیاز به درک و مشخص کردن پویایی سیستم دسته‌بند یادگیر در مجموعه‌ای از وظایف دسته‌بندی دشوار است. شباهت آن با XCS اجازه می‌دهد برخی از عوامل اصلی مانند دانش و تناسب از یکدیگر جدا شوند. نشان داده‌شده است که سیستم دسته‌بند نظارت‌شده تعمیم دقیق بهترین نقشه‌های عملی را به‌طور مؤثر تحول می‌دهد که ثابت می‌کند نقشه‌های جزئی یک جایگزین کارآمد برای نقشه‌های کامل هستند. نتایج نشان می‌دهد زمانی که نسبت بین اندازه نقشه عمل کامل و بهترین نقشه اقدام به‌طور قابل‌توجهی زیاد است بیشتر در فضاهای بزرگ جستجو رخ می‌دهد. در این حالت نقشه‌های کامل به منابع محاسباتی بیشتری مانند جمعیت بیشتر و دوره‌های یادگیری بیشتر نیاز دارند. در حقیقت عامل اصلی در پیچیدگی یادگیری XCS عدم وجود یک فشار تناسب‌اندام مؤثر نسبت به‌دقت است و این با فشار تعمیم بیش‌ازحد ناشی از برخی قوانین نادرست نقشه کامل بدتر می‌شود. فرضیه این است که در مشکلات تعداد زیادی کلاس یا توزیع بسیار نابرابر مثال‌ها رخ می‌دهد. این مشاهده­ها روی مجموعه‌ای از مشکل­ها طراحی‌شده مصنوعی با نتایج به‌دست‌آمده از وظایف دسته‌بندی دنیای واقعی تأیید می‌شود. مطالعه مشکل­های توزیع نابرابر مثال‌ها را در درک بهتری از هر کلاس در پیچیدگی یادگیری سیستم دسته‌بند یادگیر پیش‌بینی کرده است. درواقع تجزیه‌وتحلیل دقیق ژنتیکی در سطوح مختلف حاصل می‌شود اما دستیابی به خاص‌ترین قوانین دشوارتر است. مدل ارائه شده پیچیدگی یادگیری برای هر قانون بهینه به درصد نمونه‌های نماینده را نشان می­دهد. این مدل شامل وابستگی یادگیری به میزان جمعیت بهینه است که قبلاً در آزمایش‌های قبلی گزارش‌شده است. اگرچه برخی اختلافات بین XCS و سیستم دسته‌بند نظارت‌شده در طول مقاله برجسته شده است عملکرد واقعی آن‌ها در برخی از مشکل­های دسته‌بند دنیای واقعی بسیار نزدیک است. این بدان معنی است که برخی از مسائل پیچیدگی وجود دارد که هر دو سیستم را به روشی مشابه تحت تأثیر قرار می‌دهد. توصیف مشکل­های دنیای واقعی توسط مجموعه‌ای از معامله­های پیچیدگی این امکان را می‌دهد که عملکرد سیستم دسته‌بند یادگیر مربوط به پیچیدگی مسئله را مدل‌سازی کنیم و بینش بیشتری در مورد انواع مشکل­های سیستم دسته‌بند یادگیر مناسب و ضعیف را فراهم نمائیم. عملکرد کلی XCS و سیستم دسته‌بند نظارت‌شده با الگوریتم‌های یادگیری شناخته‌شده دیگر مانند الگوریتم‌های نزدیک‌ترین همسایه، روش‌های آماری، درختان القایی و دسته‌بندی کننده‌های پشتیبانی قابل‌مقایسه است. بااین‌وجود سیستم دسته‌بند یادگیر هنوز از زمان آموزش بالاتر رنج می‌برد بنابراین باید تحقیقات بیشتری برای کاهش زمان آموزش آن‌ها انجام شود. برخی از موضوعات در این راستا ممکن است شامل استفاده از تکنیک‌های کاهش باشد که تعداد قوانین را در حین آموزش به حداقل می‌رساند به‌ویژه در مشکل­های با ویژگی‌های واقعی. در این مقاله سیستم دسته‌بند نظارت‌شده به‌عنوان یک معماری مبتنی بر دقت به‌طور خاص برای مشکلات یادگیری تحت نظارت طراحی‌شده است. XCS عمومی‌تر است و بنابراین منطقی است که در محیط‌هایی که نظارت ارائه می‌شود عملکرد آن به‌خوبی سیستم دسته‌بند نظارت‌شده نباشد. سیستم دسته‌بند نظارت‌شده فقط در کارهای تک‌مرحله‌ای اعمال می‌شود جایی که نظارت وجود دارد. اگرچه نتایج آن امیدوارکننده است اما معماری آن هنوز نیاز به مطالعه و اثبات دارد. یک تفاوت دیگر با XCS عدم اشتراک تناسب‌اندام است که ممکن است باعث سبقت بیش‌ازحد برخی از قوانین خوب در طول تمرین در افراد شود. در کارهای آینده ما باید نحوه عملکرد به اشتراک‌گذاری تناسب‌اندام را در سیستم دسته‌بند یادگیر بررسی کنیم. علاوه بر این چارچوب برای درک بیشتر مؤلفه‌های سیستم دسته‌بند یادگیر، سیستم دسته‌بند نظارت‌شده همچنین یک گزینه کارآمد برای کارهای دشوار دسته‌بندی فراهم می‌کند.

فایلpdf  مقاله را از اینجا دانلود نمایید.