×
  • الگوریتم FP-Growth

    یکی از الگوریتم های محبوب و مفید در این فن، الگوریتم FP-growth است. حجم داده ورودی FP-growth اصولا بسیار زیاد است و به همین دلیل یک محیط ابری چهارچوب مناسبی خواهد بود که میتواند از این حجم عظیم داده را به بخش های کوچکتر تقسیم و هر بخش را بصورت مجزا برای پردازش به یک نود خاص در شبکه ابری ارسال نمایید. این کار علاوه بر کاهش زمان اجرا تاثیر بسزائی در کاهش هزینه های ناشی از فراهم کردن بستره مورد نیاز برای داده کاوی خواهد داشت.

    الگوریتم طبقه بندی درخت تصمیم CART

    یکی از محبوب ترین و در عین حال از ساده ترین درخت های تصمیم، درخت تصمیم CART است که کاربردهای زیادی در طبقه بندی و رگرسیون دارد. CART که خود مخفف Classification And Regression Tree است بر اساس درخت های دودویی(باینری) بنا نهاده شده است. در این درس میخواهیم بیشتر با نحوه ساخت درخت CART آشنا شویم. این درخت میتواند پایه ای برای الگوریتم های پیچیده تر مانند جنگل تصادفی(Random Forest) باشد.

    الگوریتم طبقه بندی درخت تصمیم C4.5

    یادگیری درخت تصمیم (Decision tree learning) گروهی از الگوریتم‌های یادگیری ماشین هستند که در طبقه‌بندی آماری کاربرد دارند. درخت‌های تصمیم به گروه الگوریتم‌های یادگیری تحت نظارت تعلق دارند و بیشتر آنها بر اساس حداقل‌سازی کمیتی به نام آنتروپی ساخته می‌شوند. هرچند توابع دیگری هم برای یادگیری درخت تصمیم وجود دارند. نمونه‌های قدیمی درخت تصمیم تنها قادر به استفاده از متغیرهای گسسته بودند، اما الگوریتم‌های جدیدتر هردو نوع متغیر گسسته و پیوسته را در یادگیری به کار می‌برند. یکی از مزایای مهم الگوریتم درخت تصمیم قابلیت فهم و تفسیر آسان است که محبوبیت این الگوریتم را بالا برده است.از معایب آن عدم استواری و دقت ناکافی است.

    الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی (BBO)

    الگوريتم بهينه سازي مبتني بر جغرافياي زيستي (BBO) از خانواده الگوريتم‌‌هاي تكاملي مي باشد و مشابه آن‌‌ها يك الگوريتم بهينه سازي تصادفي سراسري و مبتني بر جمعيت است كه با يك مجموعه اي از راه حل‌‌هاي كانديد در طول هر نسل كار مي كند و تلاش مي كند فضاهاي راه حل بزرگ را به صورت تركيبي با يك رويكرد تصادفي مانند بسياري از الگوريتم‌‌هاي تكاملي كشف كند. ازمزاياي BBO مي توان ديد سراسري و قابليت استخراج خوب آن را نام برد.

    الگوریتم بهینه سازی ازدحام گربه های پیشرفته

    در تکنیک بهینه سازی ازدحام گربه ها، دو رفتار اصلی آنها، با دو زیر مدل بنام حالت ردیابی و جستجو مدل شده است. با روشی از ترکیب این دو حالت به نسبت تعریف شده، الگوریتم بهینه سازی ازدحام گربه ها، عملکرد خوبی را از خود نشان می دهد. در این الگوریتم، همانند بهینه سازی ازدحام ذرات، مکان گربه ها گویای یک پاسخ است و این الگوریتم با استفاده از گربه ها و مدل کردن رفتار آنها به حل مسائل بهینه سازی می پردازد. در بهینه سازی ازدحام گربه ها ابتدا تصمیم گرفته می شود که از چند گربه استفاده شود هر گربه دارای موقعیتی است که دارای M بعد می باشد. در کنار این موقعیت هر گربه دارای یک سرعت برای هر بعد و یک مقدار برازندگی است که نشان دهنده میزان برازندگی آن گربه می باشد. این برازندگی توسط تابع برازش بدست می ید همچنین علاوه بر موارد ذکر شده، هر گربه دارای یک نشانه پرچم نیز می باشد که برای شناسائی اینکه گربه در حالت ردیابی و یا در حالت جستجو است، بکار می رود.

    0