الگوریتم هاي یادگیري ماشین که در حوزه کلاسبندي نمونه ها ارائه شده اند با توجه به مجموعه خصوصیات نمونه ها, آنها را در کلاس مربوطه دسته بندي میکنند. به همین دلیل این الگوریتمها وابستگی شدیدي به زبان نمایش نمونه ها یا همان مجموعه خصوصیات دارند که در صورت ضعیف بودن این زبان نتایج کلاسبندي از دقت بسیار پایینی برخوردار خواهد بود. براي حل این مشکل روشهاي استقراي سازنده در جهت بهبود فضاي نمایش نمونه ها و در نهایت افزایش دقت یادگیري معرفی شده اند.
این مقاله به بررسی انواع مختلفی از این روشها اختصاص دارد که هدف اصلی آن شناسایی کاستیها و مشکلات موجود در روشهاي استقراي سازنده است. براي اینکه بتوانیم ارزیابی درستی از این روشها داشته باشیم چندین معیار مهم و کلی بیان شده است. نتیجه حاصله از بررسی بیانگر این موضوع است که در صورت عمومیت بخشی به روشهاي موجود میتوان به روشهاي جامعتر و دقیقتري دست یافت.
علی فرجپور, علی جعفريمند
دانشجوي کارشناسی ارشد مهندسی نرمافزار، دانشگاه علم و صنعت ایران، دانشکده مهندسی کامپیوتر
دانشجوي کارشناسی ارشد مهندسی نرمافزار، دانشگاه آزاد اسلامی واحد تهران جنوب، دانشکده تحصیلات تکمیلی