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 بردار ماشین پشتیبان Support Vector Machine یا SVM می پردازیم. کدهای برنامه بصورت دقیق بر روی دیتاست سرطان سینه اعمال شده است. انتخاب ویژگی با ACO برای SVM در نرم افزار متلب نوشته شده است در ادامه به تشریح موضوع می پردازیم.
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 آن جایی که مورچه ها چشم ندارند، تعاملات آن ها از طریق ماده شیمیایی فرومون که از آن برای نشان گذاری مسیر استفاده می شود، انجام می گیرد. هرچه فرومون 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.
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 آشیانه ( نقطه مبدا حرکت) بر می گردد، بنابراین در این کوتاه ترین مسیر فرمون های بیشتری وجود دارد. از این رو فرومون دقیقاً همان چیزی است که نشان می دهد که مورچه باید از چه مسیری برود و در پایان کوتاه ترین راه، بهترین مسیر می باشد.
ماشین بردار پشتیبان SVM
مسئله دسته بندی (Classification) یكی از مسائل اصلی مطرح شده در یادگیری ماشین است و بسیاری از مسائل را می توان به صورت یك مسئله دسته بندی مطرح كرده و حل كرد. از طرفی در یادگیری ماشین نیز روش های مختلفی برای حل مسئله دسته بندی صورت گرفته است. یكی از روش هایی كه در حال حاضر به صورت گسترد های برای مسئله دست هبندی مورد استفاده قرار می گیرد، روش ماشین بردار پشتیبان ( SVM ) است.
بردارهای پشتیبان به زبان ساده، مجموعه ای از نقاط در فضای n بعدی داده ها هستند که مرز دسته ها را مشخص می کنند و مرزبندی و دسته بندی داده ها براساس آنها انجام می شود و با جابجایی یکی از آنها، خروجی دسته بندی ممکن است تغییر کند .
در SVM فقط داده های قرار گرفته در بردارهای پشتیبان مبنای یادگیری ماشین و ساخت مدل قرار می گیرند و این الگوریتم به سایر نقاط داده حساس نیست و هدف آن هم یافتن بهترین مرز در بین داده هاست به گونه ای که بیشترین فاصله ممکن را از تمام دسته ها (بردار های پشتیبان آن ها) داشته باشد .
انتخاب ویژگی با الگوریتم کلونی مورچگان ACO
بهصورت جزئی میتوان گفت ابتدا یک بردار ویژگی دودویی با طول n (به تعداد پارامترهای ورودی) از F1 تا Fn بهصورت تصادفی تولید میشود هر کدام 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.
سورس کد انتخاب ویژگی با ACO برای SVM در متلب
سورس کد انتخاب ویژگی با ACO برای SVM در متلب برنامه نویسی شده است. این سورس کد بر روی دیتاست سرطان سینه اعمال شده است. فقط با جایگذاری دیتاست خودتان می توانید از این سورس کد برای دیتاست جدید استفاده کنید. سورس انتخاب ویژگی با ACO برای SVM دارای دو بخش است بخش اول توسط فایل SVM.m اجرا می شود که این قسمت فقط الگوریتم SVM را اجرا می کند و بدون در نظر گرفتن انتخاب ویژگی است.
بخش دوم توسط فایل SVM_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.
- SVM.m: اجرای پیاده سازی برای دسته بندی بدون انتخاب ویژگی یا خصیصه است.
- SVM_with_selection_ACO.m: اجرای پیاده سازی برای دسته بندی بدون انتخاب ویژگی یا خصیصه است.
نمونه ای از سورس کد مربوط به SVM_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(10,20,dim); bestParams = round( bestParams ); selectedFeatures = find( bestParams == 1 ); disp('Selected Features: ') disp(num2str(selectedFeatures')) %% Test the results usedFeatures = trn_Inputs(selectedFeatures, :);
خروجی پیاده سازی انتخاب ویژگی با الگوریتم ACO
ویدئوی معرفی محصول
درباره محصول
سورس برنامه پیاده سازی انتخاب ویژگی با الگوریتم کلونی مورچه ACO برای SVM 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.
مباحث مرتبط با انتخاب ویژگی با الگوریتم کلونی مورچگان ACO
مباحث پیشنهادی برای الگوریتم کلونی مورچگان ACO
تاریخ انتشار: | 26 مرداد 1397 |
---|---|
تاریخ بروزرسانی: | 24 اسفند 1397 |
حجم فایل: | 7 کیلوبایت |
فرمت فایل | m. در قالب متلب |
نسخه: | 1.0 |
شناسه اثر: | ندارد |
هماهنگی با: | Matlab 2009 و بالاتر |
تاکنون 232 نفر این محصول را تهیه کرده اند و 2 نظر برای آن ثبت شده است.
نظرات و دیدگاه ها
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.
قیمت 59,000 تومان
تاریخ انتشار: | 26 مرداد 1397 |
---|---|
تاریخ بروزرسانی: | 24 اسفند 1397 |
حجم فایل: | 7 کیلوبایت |
فرمت فایل | m. در قالب متلب |
نسخه: | 1.0 |
شناسه اثر: | ندارد |
هماهنگی با: | Matlab 2009 و بالاتر |
2 بازخورد (مشاهده نظرات)
قیمت: 59,000 تومان
احمد رضایی
سلام و تشکر از سایت تخصصی تون.
با این همه موضوعات مرتبط که در زمینه الگوریتم بهینه سازی کلونی مورچگان کار شده می خواستم یه سوالی داشته باشم. اگر تعداد فیوچرهای ما در مسئله پردازش تصویر زیاد باشه (160 ویژگی) آیا الگوریتم کلونی مورچه می تونه subset با کارایی بالا رو انتخاب کنه و کدام نوع الگوریتم (پیوسته یا باینری) می تونه جواب بهتری بده؟
ممنون می شم راهنمایی بفرمایید.
مدیریت و پشتیبانی
سلام و وقت بخیر
ممنون از شما دوست عزیز. بله برای انتخاب ویژگی با الگوریتم ACO میشه برای مسائلی که تعداد فیوچرهای زیادی دارند استفاده کرد و بهترین نتیجه رو هم الگوریتم ACO باینری یا همون گسسته خواهد داد.
مدیریت و پشتیبانی
نظرات و دیدگاه های خود را با ما درمیان بگذارید.