درخت عصبی تطبیقی با بهره‌گیری از گره‌های خبره برای طبقه‌بندی داده‌های پُربُعد

نویسندگان: Shadi Abpeikar، Mehdi Ghatee، Gian Luca Foresti و Christian Micheloni

منتشرشده در: Neural Networks، جلد 124، آوریل 2020، صفحات 20–38.

چکیده:

طبقه‌بندی داده‌های پُربُعد با نفرین ابعاد و بیش‌برازش مواجه است. درخت عصبی روشی قدرتمند است که برای حل این مسائل، انتخاب محلی ویژگی را با افرازبندی بازگشتی ترکیب می‌کند؛ اما در طبقه‌بندی داده‌های پُربُعد به درخت‌هایی با عمق زیاد منجر می‌شود. از سوی دیگر، اگر از درخت‌هایی با عمق کمتر استفاده شود، صحت طبقه‌بندی کاهش یا بیش‌برازش افزایش می‌یابد. این مقاله روش نوینی با عنوان «درخت عصبی با بهره‌گیری از گره‌های خبره» معرفی می‌کند ( Neural Tree exploiting Expert Nodes؛ NTEN) که برای طبقه‌بندی داده‌های پُربُعد به کار می‌رود. این روش بر ساختار درخت تصمیم متکی است که گره‌های داخلی آن، گره‌های خبره‌ای هستند که تقسیم‌بندی چندبُعدی انجام می‌دهند. هر گرهٔ خبره سه توانایی تصمیم‌گیری دارد. نخست، می‌تواند متناسب با پیچیدگی داده‌ها، مناسب‌ترین شبکهٔ عصبی را انتخاب کند. دوم، بیش‌برازش را ارزیابی می‌کند. سوم، می‌تواند ویژگی‌ها را خوشه‌بندی کند تا افزونگی و هم‌پوشانی را به‌طور هم‌زمان کمینه سازد. برای این منظور، الگوریتم‌های بهینه‌سازی فراابتکاری شامل GA، NSGA-II، PSO و ACO به کار می‌روند. بر پایهٔ این مفاهیم، هر گرهٔ خبره هنگام کم‌بودن بیش‌برازش، یک کلاس را تقسیم می‌کند و هنگام زیادبودن بیش‌برازش، ویژگی‌ها را خوشه‌بندی می‌کند. برخی نتایج نظری دربارهٔ NTEN به دست آمده‌اند و آزمایش‌ها روی 35 مجموعه‌دادهٔ استاندارد نشان می‌دهند که NTEN به نتایج طبقه‌بندی خوبی می‌رسد و عمق درخت را بدون بیش‌برازش و افت صحت کاهش می‌دهد.

کلیدواژه‌ها

درخت عصبی، سامانه‌های خبره، ویژگی‌های پُربُعد، پیچیدگی داده، خوشه‌بندی ویژگی‌ها