الگوریتم های یادگیری جمعی و تحقیقات انجام شده در زمینه حل مسائل دوکلاسه و چندکلاسه

• مقدمه  الگوریتم ­های یادگیری جمعی
• یادگیری ماشین
•  الگوریتمهای یادگیری جمعی
• دسته بندی کننده های سریال
•  اهمیت مسائل چندکلاسه
• روش‌های BOOSTING
• مسائل  دوکلاسه
•  مسائل چند‌کلاسه
•  روش‌های جمعی سریال
• دسته‌بندی‌‌‌کننده‌ی سریال  

القای دسته‌بندی‌کننده ها هنگامی که تعداد داده‌های آموزشی به طرز چشمگیری زیاد باشد با مشکل رو‌به‌رو خواهد شد. این پدیده باعث به وجود آمدن مرزهای کلاس[۱]  پیچیده می‌شود؛ یادگیری دقیق این مرز‌ها، برای دسته‌بندی‌کننده‌هایی که سعی در تولید یک قانون برای توصیف داده دارند، به چالشی عظیم تبدیل می شود. پیچیدگی این وضعیت زمانی به اوج خود می رسد که بردار خصیصه داده‌ها، دارای ابعاد بالا[۲] باشد.

رواج خانواده خاصی از الگوریتم‌های یادگیری ماشین، تحت عنوان الگوریتم‌های یادگیری جمعی که سعی در مواجهه و برطرف نمودن چالش‌های موجود دارند، طی سال‌های اخیر بسیار چشمگیر بوده است. این دسته از الگوریتم‌ها، موفقیت خود را مرهون عملکرد محافظه‌کارانه خود می‌باشند.

در حالی که اکثر الگوریتم‌های یادگیری از القای یک دسته‌بندی‌کننده برای توصیف داده استفاده می‌کنند، الگوریتم‌های یادگیری جمعی از تعداد زیادی یادگیر‌های ضعیف[۳]، که قدرت پیش بینی آنها اندکی بهتر از حدس تصادفی[۴] است، بهره می برند.

به بیان دیگر، ایده اصلی الگوریتم­های یادگیری جمعی، به‌کارگیری چندین یادگیر و ترکیب نتیجه پیش­بینی آن­ها به عنوان یک گروه از دسته‌بندی‌کننده‌ها و بالا بردن دقت کلی[۵] یادگیری است. به هر یک از اعضای موجود در این گروه از یادگیر­ها، یادگیر پایه[۶] گفته می­شود.

در مسائل دسته­بندی، الگوریتم یادگیری جمعی به عنوان سیستم دسته­بندی چندگانه[۷]، ائتلاف دسته‌­بندی‌کننده ­ها[۸]، کمیته­ای از دسته‌­بندی‌کننده­ها[۹] و یا ترکیب دسته‌بندی‌کننده­ها[۱۰] نیز خوانده می­شود. پیش­بینی هر یک از اعضا ممکن است به صورت یک عدد حقیقی[۱۱]، برچسب کلاس، احتمال پسین[۱۲] و یا هر چیز دیگری باشد. چگونگی ترکیب رأی اعضای الگوریتم، در نتیجه­ گیری نهایی بسیار مهم است که شامل میانگین‌گیری، رأی به اکثریت[۱۳] و روش‌های احتمالی می­شود.