مقاله الگوریتم کلونی مورچه ها جهت انباشته سازی در داده کاوی (2014 الزویر)

۱ مقدمه

۲ پیشینه

۱ ۲ مجموعه ها

۲ ۲ بهینه سازی با الگوریتم کلونی مورچه ها (ACO)

۳ ۲ کاربرد ACO در داده کاوی

۳ شیوه ACO-Stacking

۱ ۳ چارچوب الگوریتم ACO-Stacking

۲ ۳ اطلاعات محلی

۳ ۳ ورژن های مختلف انباشته سازی الگوریتم کلونی مورچه ها

۴ ۳ اختلافات بین ACO-Stacking و شیوه های بر مبنای GA

۴ آزمایشات و نتایج

۱ ۴ الگوریتم های یادگیری و محیط های آزمایش

۲ ۴ شیوه های مقایسه شده

۳ ۴ نتایج و تحلیل

۵ کاربرد داده کاوی حساس به هزینه واقعی

۱ ۵ پایگاه داده بازاریابی مستقیم

۲ ۵ روشهای ارزیابی برای مدلهای بازاریابی مستقیم

۳ ۵ آزمایشات و نتایج

۶ نتایج

۱ ۶ یافته ها

۲ ۶ همکاریها و مبانی

۳ ۶ کارهای آتی

An ensemble is a collective decision-making system which applies a strategy to combine the predictions of learned classifiers to generate its prediction of new instances. Early research has proved that ensemble classifiers in most cases can be more accurate than any single component classifier both empirically and theoretically. Though many ensemble approaches are proposed, it is still not an easy task to find a suitable ensemble configuration for a specific dataset. In some early works, the ensemble is selected manually according to the experience of the specialists. Metaheuristic methods can be alternative solutions to find configurations. Ant Colony Optimization (ACO) is one popular approach among metaheuristics. In this work, we propose a new ensemble construction method which applies ACO to the stacking ensemble construction process to generate domain-specific configurations. A number of experiments are performed to compare the proposed approach with some well-known ensemble methods on 18 benchmark data mining datasets. The approach is also applied to learning ensembles for a real-world cost-sensitive data mining problem. The experiment results show that the new approach can generate better stacking ensembles.

مجموعه، به سیستم تصمیم گیری جمعی اتلاق می گردد که از یک استراتژی برای ترکیب پیشگوییهای طبقه بند های فراگرفته شده برای پیشگویی نمونه های جدید استفاده می کند. تحقیق قبل ثابت کرده است که از لحاظ تجربی و نظری، طبقه بند های مجموعه در اکثرموارد درست تر از طبقه بند تک مولفه ای عمل می کنند. با وجود پیشنهاد شیوه های زیادی برای مجموعه، یافتن پیکره بندی مناسب برای مجموعه داده های خاص راحت نمی باشد. در تعدادی از کارهای پیشین، مجموعه به روش دستی و بر طبق تجربه متخصصین انتخاب شده است. روشهای متاهیوریستیک (فراابتکاری) راه حل های فرعی برای یافتن پیکره بندیها به شمار می روند. بهینه سازی با استفاده از الگوریتم کلونی مورچه ها (ACO) یکی از شیوه های مشهور در میان روشهای متاهیوریستیک محسوب می شود. در این کار، روش مجموعه سازی جدیدی پیشنهاد می کنیم که از ACO برای فرایند ساخت مجموعه انباشته سازی جهت تولید پیکره بندیهای مخصوص حوزه استفاده می کند. برای مقایسه شیوه پیشنهاد شده با برخی روشهای معروف و شناخته شده مجموعه براساس 18 مجموعه داده داده کاوی محک ، آزمایشاتی انجام شده است. از این شیوه برای فراگیری مجموعه ها درخصوص مسئله داده کاوی حساس به هزینه واقعی نیز استفاده شده است. نتایج آزمایش نشان می دهد که شیوه جدید مجموعه های انباشته سازی بهتری تولید می کند.