تصميم وتنفيذ سرب التعلم التجميعي لاختيار الميزات

الباحث

نادية محمد مجيد إبراهيم

المشرف

فوزية محمود رمو

الجامعة

جامعة الموصل

الكلية / القسم

كلية علوم الحاسوب والرياضيات / علوم الحاسوب

الشهادة

ماجستير

السنة

2023

لغة الرسالة

عربي

الكلمات المفتاحية

اختيار الميزات ; التعلم التجميعي ; خوارزميات السرب ; أبعاد البيانات

تعد الزيادة في أبعاد البياناات من المشكلات التي تواجه أي عمل ضمن مجال المعالجة الحاسوبية، اذ أصبح من الصعب على الخوارزمية الحاسوبية معالجة البيانات وتحويلها إلى معرفة. أحد أساليب تقليل الأبعاد هو اختيار الميزات التي تهدف إلى اختيار مجموعة فرعية من الميزات المثلى عن طريق ازالة البيانات غير ذات الصلة وغير الملائمة والمتكررة لتحسين أداء خوارزمية التعلم الآلي وزيادة دقة التصنيف وتقليل وقت تدريب الخوارزميات والوقت الحسابيء؛ وكذلك تسهل فهم أفضل لنموذج التعلم أو البيانات. تم تص ميم وتنفيذ نظاماً ذكائياً حاسوبياً لاختيار الميزات، اذ يتكوّن النظام المقترح من مرحلتين رئيسيتين، مرحلة التصنيف ومرحلة اختيار الميزات، تم استخدام سبع خوارزميات في هذا النظام خمس للتعلم الالي وخوارزمية للتعلم التجميعي وخوارزمية ذكاء السرب. تم اقتراح طريقة اختيار الميزة استنادًا إلى أساليب ذكاء السرب، حيث تم استخدام تقنية اختيار الميزات sly على خوارزمية تحسين اليعسوب والتي تبحث عن أفضل الحلول في منطقة البحث لتحقيق التحسين. تُستخدم تقنية التحسين للعثور على المجموعة الفرعية المثلى من الميزات التي يمكنها تصنيف سرطان الثدي بدقة حميد أو خبيث. وتم استخدام خوارزمية التعلم التجميعي بالتصويت على أساس الأغلبية (التصويت الصعب) لتجميع خمس خوارزميات للتعلم الآلي وهي (خوارزمية آلة المتجهات الداعمة ،(SVM) Support Vector Machine بايز البسيط Naive ،(NB) Bayes الجار الاقرب ،(K-NN) K-Nearest Neighbors شجرة القرار Decision ،(DT) Tree والغابة العشوائية aig .((RF)Random Forest استخدام خوارزمية التعلم التجميعي كدالة لياقة في خوارزمية تحمسين اليعس وب لتقييم مجموعات الميزات الفرعية التي تم اختيارها. تظهر النتائج ان التعلم التجميعي بالتصويت على أساس الأغلبية (التصويت الصعب) يؤدي بشكل أفضل من المصنفات الفردية حيث lel hel قيمة دقة بنسبة 357,543/، في حين أن خوارزمية آلة المتجهات الداعمة، بايز البسيطه الجار BY شجرة القرار الأشجار والغابات العشوائية حققت دقة بلغت (57؟55,5/ 5 LVEVT و397,59/ LAYING و45,77/) على التوالي كما أظهرت النتائج أنه عند تدريب خوارزمية التعلم التجميعي بالتصويت على أساس الأغلبية (التصويت الصعب) على مجموعة الميزات الفرعية المثلى التي تم الحمصول عليها باس تخدام خوارزمية تحسين اليعسوب والبالغ عددها VV) ميزة)، تكون الدقة الناتجة اعلى بنسبة 5 MAAN في حين تنفيذ الخوارزمية على جميع الميزات التي بلغ عددها P+) ميزة) حققت دقة Ay sip 48> على مجموعة بيانات سرطان Wisconsin Breast Cancer Dataset ail) (WBCD) والتي تتكون من 555 عينة و١" ميزة.

One of the problems facing machine learning algorithms is the increase in data dimensions, as it becomes difficult for the algorithm to process the data and convert it into useful knowledge. One dimensionality reduction technique is attribute selection which selects a subset of important attributes by eliminating irrelevant data in order to improve machine learning algorithm performance, enhance the accuracy of classification, decrease the training time of the algorithm and computational time, as well as facilitate a better understanding of the learning model or data. An intelligent computer system for feature selection was designed and implemented, as the proposed system contained two main steps, the classification step, and features selection step. Seven algorithms were used in this system, five machine-learning algorithms, an ensemble-learning algorithm, and the swarm intelligence algorithm. The feature selection method based on swarm intelligence methods was proposed, where the feature selection technique was used based on the Dragonfly optimization algorithm, which searches for the best solutions in the search area to achieve optimization. An optimization technique is used to find the optimal subset of features that can accurately classify breast cancer as benign or malignant. The ensemble learning algorithm was used by majority voting (hard voting) to aggregation-five machine learning techniques SVM, NB, K-NN, DT, and RF. The ensemble learning algorithm was used as an activation function in the Dragonfly optimization algorithm to evaluate the selected feature subsets The results show that ensemble learning by majority voting (hard voting) performs better than individual classifiers as it gave the highest accuracy value among individual classifiers with a percentage of 96.49%, while the SVM, NB, K-NN, DT, and RF it achieved an accuracy of (95.32%, 94.73%, 92.39%, 92.98%, and 95.32%), respectively. The results also showed that when training the ensemble learning algorithm by majority voting (hard voting) on the optimal set of sub- features obtained using the Dragonfly optimization algorithm (17 features), the resulting accuracy is higher by 98.24%, Whereas when training the algorithm on all features (30 features), it achieved an accuracy of 96.49% on a breast cancer dataset containing 569 samples and 30 features.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب