الگوریتم های فراابتکاری و داده کاوی

همه چیز از مقاله

On Meta-heuristics in Optimization and Data Analysis. Application to Geosciences

شروع شد.

توی این مقاله یک ایده جذاب وجود داشت!

ترکیب الگوریتم فراابتکاری Differential Evolution برای تعیین سه پارامتر الگوریتم SVM (که عبارتند از: Gamma, Cost, Epsilon) و در نهایت دستیابی به پیش بینی بهتر!

نویسندگان این مقاله به ایده خودشون رو توی R Language و با استفاده از مجموعه داده rock پیاده کرده بودند. مجموعه داده rock رو می تونید اینجا ببینید:

> show(rock)

area- peri - shape - perm

1 - 4990- 2791.900 - 0.0903296- 6.3

2 - 7002- 3892.600- 0.1486220- 6.3

3 - 7558- 3930.660- 0.1833120- 6.3

4 - 7352 - 3869.320- 0.1170630- 6.3

...

48 -9718 - 1485.580- 0.2004470- 580.0

فرمول پیش بینی هم به شرح زیر است:

show(rock)">>show(rock)">show(rock)">>show(rock)">show(rock)">show(rock)">>show(rock)">>show(rock)">show(rock)">>show(rock)">show(rock)">>show(rock)">>show(rock)">show(rock)">>show(rock)">show(rock)">show(rock)">>show(rock)">>show(rock)">show(rock)">>show(rock)"> >show(rock)">>show(rock)">show(rock)">>show(rock)">show(rock)">show(rock)">>show(rock)">>show(rock)">show(rock)">>show(rock)">show(rock)">>show(rock)">>show(rock)">show(rock)">>show(rock)">show(rock)">show(rock)">>show(rock)">>show(rock)">show(rock)">>show(rock)

perm ~ area + peri + shape

همچنین برای ارزیابی پیش بینی ها از شاخص زیر استفاده کردند:

> MSE <- function(x,y)

+ {

+ mean((x-y)^2)

+ }

در نهایت آنها به MSE = 1473.136 رسیده بودند.

همین ایده کافی بود تا دست به کار بشوم و بقیه الگوریتم ها رو هم امتحان کنم.

جدول زیر نتایج رو نشون می ده: