• مقالات آموزشی
    • آموزش برنامه نویسی
    • آموزش الگوریتم
    • آموزش شبکه های کامپیوتری
    • آموزش های عمومی
  • ترجمه مقاله
    • لیست ترجمه کامل مقالات
    • لیست ترجمه مفهومی مقالات
  • تحقیق و پژوهش
    • لیست داکیومنت پایان‌نامه
    • لیست داکیومنت سمینار
  • پیاده سازی
    • سی پلاس پلاس ++C
    • برنامه نویسی OpenGL
    • سی شارپ #C
    • پایتون Python
    • اندروید Android
    • پی اچ پی PHP
    • متلب Matlab
  • پاورپوینت
    • پاورپوینت الگوریتم های بهینه سازی
    • پاورپوینت شبکه‌های کامپیوتری
    • پاورپوینت مهندسی کامپیوتر
    • پاورپوینت یادگیری ماشین
    • پاورپوینت درس و تحقیق
    • قالب آماده پاورپوینت
  • فیلم آموزشی
    • لیست فیلم های آموزشی
  • قالب آماده
    • لیست قالب آماده HTML
  • دانلود رایگان
  • مجله پی استور
  • ابزارهای آنلاین
    • برنامه نویسی آنلاین
    • تبدیل مبنای آنلاین
  • سفارش تدریس آنلاین
  • آموزش برنامه نویسی
  • آموزش الگوریتم
  • آموزش شبکه
  • آموزش عمومی

ورود

رمز عبور را فراموش کرده اید؟

هنوز عضو نشده اید؟ عضویت در سایت
  • درباره ما
  • تماس با ما
  • سفارش تدریس آنلاین
پی استور
0

ورود و ثبت نام

مقالات آموزشی
  • ترجمه مقاله
    • لیست ترجمه کامل مقالات
    • لیست ترجمه مفهومی مقالات
  • تحقیق و پژوهش
    • لیست داکیومنت پایان‌نامه
    • لیست داکیومنت سمینار
  • پیاده سازی
    • سی پلاس پلاس ++C
    • برنامه نویسی OpenGL
    • سی شارپ #C
    • پایتون Python
    • اندروید Android
    • پی اچ پی PHP
    • متلب Matlab
  • پاورپوینت
    • پاورپوینت الگوریتم های بهینه سازی
    • پاورپوینت شبکه‌های کامپیوتری
    • پاورپونت مهندسی کامپیوتر
    • پاورپوینت یادگیری ماشین
    • پاورپوینت درس و تحقیق
      • عمومی
      • مشاهیر و اشخاص
      • واقعیت مجازی
      • طراحی سایت
      • برنامه نویسی
      • علوم کامپیوتر
      • اینترنت اشیاء
      • سیستم عامل
      • ارز دیجیتال
      • کسب و کار
      • تکنولوژی
      • علوم
    • قالب آماده پاورپوینت
  • فیلم آموزشی
    • لیست فیلم های آموزشی
  • قالب آماده
    • قالب آماده HTML
  • مجله پی استور
  • ابزارهای آنلاین
    • برنامه نویسی آنلاین
    • تبدیل مبنای آنلاین

پیاده سازی انتخاب ویژگی با ACO برای DT در متلب + سورس کد

خانهفروشگاههوش مصنوعییادگیری ماشینپیاده سازی انتخاب ویژگی با ACO برای DT در متلب + سورس کد
https://dl.programstore.ir/files/Uploades/Previews/ACO%20and%20DT%20Preview/ACO%20and%20DT%20Preview.mp4

در این پست به بحث استفاده از الگوریتم کلونی مورچگان Ant Colony Optimization یا (ACO) را برای انتخاب ویژگی (Feature Selection) برای الگوریتم یادگیری ماشین درخت تصمیم (Discussion Tree)  یا همان DT می پردازیم. انتخاب ویژگی با ACO برای DT در نرم افزار متلب پیاده سازی شده است در ادامه به تشریح موضوع می پردازیم.

cropped-fav2.png

برنامه‌نویس: تیم برنامه نویسی پی استور

متشکل از اساتید و فارغ التحصیلان رشته های فنی - مهندسی

تیم برنامه نویسی پی استور یکی از اولین گروه های تشکیل شده در مجموعه آموزشی پی استور می باشد. این تیم از اساتید مجرب و فارغ التحصیلان رشته های فنی و مهندسی تشکیل شده که در زمینه های مختلف برنامه نویسی و تهیه سورس کد فعال هستند.

الگوریتم کلونی مورچه ACO

الگوریتم بهینه سازی کلونی مورچه  Ant Colony Optimization یا به اختصار ACO مورچگان تحت عنوان الگوریتم های هوش ازدحامی (هوش گروهی) شناخته شده و به مدل سازی رفتار مورچه های واقعی می پردازد. مورچه ها حشراتی هستند که می توانند گروه ها (کلونی ها) را شکل دهند. چنین رویکرد جمعیت محوری این امکان را برای الگوریتم ACO ایجاد می کند تا به حل مسائل بهینه سازی پویا به طور کاملا کارآمد بپردازد. مورچه ها به عنوان مخلوقات خودسازمانده می باشند.

از آنجایی که مورچه ها اصلا چشم ندارند، تعاملات آن ها از طریق ماده شیمیایی فرومون که از آن برای نشان گذاری مسیر استفاده می شود، اانجام می گیرد. هرچه فرومن های بیشتری در مسیر قرار گیرد مابقی مورچه ها از این مسیر بیشتر استفاده می کنند؛ بنابراین، چنین کمیتی نشان می دهد که این مسیر به عنوان یکی از بهینه ترین و کوتاه ترین راه می باشد. اکنون نگاهی به یک نمونه عینی می اندازیم. هدف پیدا کردن بهترین راه از نقطه آغازی N (آشیانه) به نقطه مقصد F (منبع غذا) می باشد.الگوریتم مورچه ACO

ممکن است این حدس زده شودکه احتمال برای مورچه ای که مسیر درست را می پیماید برابر با همان احتمالی می باشد که مسیر اشتباه را انتخاب کند. نکته در اینجا اینست که مورچه ای که کوتاه ترین مسیر را می پیماید، اولین مورچه ای است که به نقطه مقصد رسیده و سپس به اشیانه ( نقطه مبدا حرکت) بر می گردد، بنابراین در این کوتاه ترین مسیر فرمون های بیشتری وجود دارد. از این رو فرمون دقیقا همان چیزی است که نشان می دهد که مورچه باید از چه مسیری برود و در پایان کوتاه ترین راه، بهترین مسیر می باشد.

روش درخت تصمیم

درخت تصمیم، یک الگوریتم دسته‌بندی است که ساختارش بر اساس قوانین دسته‌بندی “if-then” است. در این روش ابتدا باید رخدادهای ممکن را تعیین کنیم و درخت را از گره ریشه ترسیم کنیم. هر گره مقداری که از تابع gain گرفته‌اند را توضیح می‌دهد. در ساختار یک درخت تصمیم برگ‌ها نشان‌دهنده‌ی دسته مشابه از اسناد و شاخه‌ها نشان‌دهنده‌ی پیوستگی ویژگی‌های مربوط به آن دسته است. یک درخت تصمیم خوب سازمان‌دهی شده می‌تواند دسته‌ی یک سند را به‌راحتی در گره ریشه درخت قرار داده و اجازه دهد که ساختار پرس‌وجو تا رسیدن به یک برگ معین اجرا شود که هدف دسته‌بندی سند را نشان دهد .

انتخاب ویژگی با ACO برای DT

روش دسته‌بندی درخت تصمیم نسبت به سایر ابزارهای پشتیبانی تصمیم‌گیری دارای مزیت‌های برجسته است. مزیت اصلی درخت تصمیم، حتی برای کاربران غیرمتخصص سادگی‌ آن در فهم و تفسیر است. علاوه بر این تفسیر، نتایج به‌دست‌آمده می‌تواند به‌راحتی با استفاده از تکرار الگوریتم‌های ساده ریاضی انجام گیرد. درخت تصمیم می‌تواند به‌صورت تجربی نشان دهد که تکرار کار دسته‌بندی متن شامل تعداد زیادی از ویژگی‌های مناسب و مربوطه است. یک کاربرد از درخت تصمیم برای شخصی کردن تبلیغات در صفحات وب است. خطر عمده در پیاده‌سازی یک درخت تصمیم‌گیری over fit شدن داده‌های آموزشی است.

انتخاب ویژگی با ACO برای DT

برای انتخاب ویژگی با ACO برای DT به‌صورت جزئی‌ می‌توان گفت ابتدا یک بردار ویژگی دودویی با طول n (به تعداد پارامترهای ورودی) از F1 تا Fn به‌صورت تصادفی تولید می‌شود هرکدام از این بیت‌های این رشته‌ی دودویی متناظر با یک ویژگی در ماتریس آموزش است. اگر بیت متناظر با هر ویژگی صفر باشد آن ویژگی حذف‌شده و اگر یک باشد آن ویژگی در آموزش دخالت داده می‌شود پس از اجرای یک دور از الگوریتم کلونی مورچه با ویژگی تصادفی مقدار برازندگی برای هر بردار ویژگی دودویی تولید می‌شود.

برازندگی نیز مقدار خطای آموزش و تعداد ویژگی‌ها است که می‌خواهیم در هر دور کمینه شود بر این اساس هر بار یک دسته جدید از ویژگی‌های انتخاب می‌شود و رفته‌رفته به سمت کمترین خطای آموزشی در الگوریتم می‌رویم بهترین دسته انتخاب‌شده نهایی می‌شود و همان هدف یعنی انتخاب ویژگی‌های بهتر آشکار می‌شود.
الگوریتم ACO یک روش جستجوی تصادفی است که به کلاس الگوریتم‌های مبتنی بر جمعیت تعلق دارد. این تکنیک از تشابه میان شیوه جستجوی غذای مورچه‌ها در طبیعت و شیوه جستجوی بهینه مسئله بهینه‌سازی ترکیبی توسط الگوریتم‌های بهینه‌سازی استفاده می‌نماید.

سورس کد انتخاب ویژگی با ACO برای DT در متلب

سورس کد انتخاب ویژگی با ACO برای DT در متلب 2014 نوشته شده است. این سورس کد بر روی دیتاست کوچکی انجام شده است. فقط با جایگذاری دیتاست خودتان می توانید از این سورس کد برای دیتاست جدید استفاده کنید. سورس انتخاب ویژگی با ACO برای DT دارای دو بخش است بخش اول توسط فایل DT.m اجرا می شود که این قسمت فقط الگوریتم DT یا درخت تصمیم را اجرا می کند و بدون در نظر گرفتن انتخاب ویژگی است. بخش دوم توسط فایل  DT_with_selection_ACO.m اجرا می شود که توسط الگوریتم کلونی مورچگان برای انتخاب ویژگی (فیوچر) می پردازد. کل فایل های موجود 7 فایل می باشد که 4 فایل مربوط به الگوریتم کلونی مورچگان و مابقی برای اجرای پیاده سازی است.

  • Dataset.mat: دیتاست مربوط به پیاده سازی می باشد.
  • DT.m: اجرای پیاده سازی برای دسته بندی بدون انتخاب ویژگی یا خصیصه است.
  • DT_with_selection_ACO.m: اجرای پیاده سازی برای دسته بندی بدون انتخاب ویژگی یا خصیصه است.

نمونه ای از سورس کد مربوط به DT_with_selection_ACO.m به شرح زیر است:

clc, clear, close all

global trn_Inputs tst_Inputs trn_Outputs tst_Outputs 
addpath(genpath('ACO'))

load Dataset

Inputs = Dataset(:,1:end-1)';
Output = Dataset(:,end)';
Output(Output==2) = 0;
Output(Output==4) = 1;

% sakhtan e dade haye amoozesh va test
[trn_Inputs,valP,tst_Inputs,trainInd,valInd,testInd] = dividerand(Inputs,0.6,0,0.4);
[trn_Outputs,valT,tst_Outputs] = divideind(Output,trainInd,valInd,testInd);

dim = size( Dataset , 2) - 1;


%aco(MaxIteretion,nAnt,dim)
bestParams = aco(20,20,dim);

bestParams = round( bestParams );
selectedFeatures = find( bestParams == 1 );
disp('Selected Features: ')
disp(num2str(selectedFeatures'))


%% Test the results


 usedFeatures = trn_Inputs(selectedFeatures, :);

برای دانلود محصول آن را خریداری کنید.

خروجی پیاده سازی

انتخاب ویژگی با ACO برای DT

انتخاب ویژگی با ACO برای DT

انتخاب ویژگی با ACO برای DT

ویدئوی معرفی محصول

Your browser does not support the video tag.

درباره محصول

سورس برنامه پیاده سازی انتخاب ویژگی با ACO برای DT در متلب در متلب عنوان محصولی است که در این پست به آن پرداخته شده است. محصول در نرم افزار متلب نوشته شده و بصورت کامل توسط گروه پشتیبانی پی استور تست و اجرا شده است. محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری کنید.

گارنتی 7 روزه بازگشت هزینه

تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این محصول توسط پی استور تضمین شده و در صورت عدم رضایت از محصول، به انتخاب شما:

  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا 80 درصد مبلغ پرداختی به حساب بانکی شما عودت داده می‌شود.

مباحث مرتبط با انتخاب ویژگی با الگوریتم کلونی مورچگان ACO

پیاده سازی انتخاب ویژگی با ACO برای SVM در متلب + سورس کد
سورس کد پیاده سازی انتخاب ویژگی با ACO و SVM در متلب
پیاده سازی انتخاب ویژگی با ACO برای ANN در متلب + سورس کد
سورس کد پیاده سازی انتخاب ویژگی با ACO و شبکه عصبی مصنوعی ANN در متلب
پیاده سازی انتخاب ویژگی با ACO برای KNN در متلب + انتخاب ویژگی با k همسایه نزدیک
سورس کد پیاده سازی انتخاب ویژگی با ACO و k همسایه نزدیک KNN در متلب
پیاده سازی انتخاب ویژگی با الگوریتم کلونی مورچه ACO برای NB در متلب
سورس کد پیاده سازی انتخاب ویژگی با الگوریتم کلونی مورچه ACO و روش نیوبیزین NB در متلب

مباحث پیشنهادی برای الگوریتم کلونی مورچگان ACO

پاورپوینت الگوریتم کلونی مورچه ACO
پاورپوینت الگوریتم کلونی مورچگان ACO
سورس کد الگوریتم کلونی مورچه پیوسته در متلب
سورس کد الگوریتم کلونی مورچه پیوسته ACOR در متلب
آموزش شبکه عصبی با الگوریتم مورچه ACO در متلب
سورس کد آموزش شبکه عصبی با الگوریتم مورچه ACO در متلب
سورس کد الگوریتم مورچه ACO برای حل مسئله کوله پشتی Knapsack در متلب
سورس کد الگوریتم مورچه ACO برای حل مسئله کوله پشتی Knapsack در متلب
الگوریتم مورچه فروشنده دوره گرد
سورس کد الگوریتم مورچه ACO برای حل مسئله فروشنده دوره گرد TSP در متلب
سورس کد مسئله 8 وزیر با الگوریتم مورچگان در متلب
سورس کد مسئله 8 وزیر با الگوریتم مورچگان در متلب
الگوریتم مورچه و حل مسئله فروشنده دوره گرد TSP در پایتون
سورس کد حل مسئله فروشنده دوره گرد TSP با الگوریتم مورچه در پایتون
طراحی شبکه حمل و نقل شهری با الگوریتم کلونی مورچه
داکیومنت طراحی شبکه حمل و نقل شهری با الگوریتم کلونی مورچه

تاکنون 191 نفر این محصول را تهیه کرده اند و 1 نظر برای آن ثبت شده است.

نظرات و دیدگاه ها
  • مدیریت و پشتیبانی
    28 اسفند 1397
    امتیاز 5 از 5
    پاسخ

    نظرات و دیدگاه های خود را با ما درمیان بگذارید.

قوانین ثبت دیدگاه

  • لطفاً دیدگاه های خود را فارسی تایپ کنید.
  • دیدگاه های نامرتبط به مطلب تایید نخواهد شد.
  • از درج دیدگاه های تکراری پرهیز نمایید.
  • سوالات تخصصی خودتان را از طریق تیکت پشتیبانی مطرح کنید.

لغو پاسخ

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دسته‌بندی موضوعی: الگوریتم‌های فرا ابتکاری برنامه نویسی متلب هوش مصنوعی یادگیری ماشین

قیمت 59,000 تومان

افزودن به علاقه مندی ها
امتیاز
5.00 از 1 رأی
5.00 1 رای
59,000 تومان

تاریخ انتشار: 28 مرداد 1397
تاریخ بروزرسانی: 3 مرداد 1398
حجم فایل: 6.8 کیلوبایت
فرمت فایل m. در قالب متلب
نسخه: 1.0
شناسه اثر: ندارد
هماهنگی با: Matlab 2009 و بالاتر
دانلود شده توسط: 191 نفر

1 بازخورد (مشاهده نظرات)

قیمت: 59,000 تومان

تماس با ما
  • دفتر پشتیبانی: 04144225175 (ساعت کاری 8:00 الی 16:00)
  • آی دی تلگرام: programerPstore
درباره پی استور

تیم توسعه پی استور با هدف ارائه مطالب مفید علمی در گرایش های مختلف پروژه های علمی مختلف را جمع آوری می کند و در قالب یک محصول تست شده و قابل اجرا همراه با توضیحات و نحوه اجرا، انتشار می دهد. امید است با عنایت الهی و کوشش اساتید و دانشجویان همراهمان بتوانیم قدم کوچکی در تولید محتوای علمی کشور داشته باشیم.

مجوز های اخذ شده
اینماد نشان ملی   پروانه نشر دیجیتال
  • حساب کاربری من
  • سوالات متداول
  • راهنمای خرید و دانلود
پی استور
  • همکاری با ما
  • قوانین و مقررات
  • حریم خصوصی
تمامی حقوق برای پی استور محفوظ است.
keyboard_arrow_up