اطلاعات ساختاری داده‌ها، بخشی از دانش و اطلاعات پیشین کم‌تر توجه‌شده برای آموزش یک طبقه‌بند است. یکی از قوی‌ترین طبقه‌بند‌ها در حوزه یادگیری ماشین، ماشین بردار پشتیبان (SVM) است که با یافتن نقاط حاشیه بین دو کلاس، این دو کلاس را از یکدیگر جدا می‌کند. SVM، به اطلاعات ساختاری و پیشین درون کلاس‌ها داده توجه‌ای ندارد و بیش‌تر توجه آن برروی جداسازی بین کلاس‌ها است. یکی از الگوریتم‌هایی که بر روی اطلاعات ساختاری توجه نموده، الگوریتم S-TWSVM است که از دو ابرصفحه (دو مدل) برای تشخیص کلاس داده‌ی جدید، استفاده می‌کند به‌صورتی که هر مدل، فقط اطلاعات ساختاری یک کلاس را در نظر می‌گیرد و با دور شدن از کلاس دیگر، به این کلاس مورد نظر نزدیک‌تر می‌شود. در الگوریتم فوق کلیه نقاط کلاس مورد نظر با درجه اهمیت یکسانی بررسی می‌شود، درحالی‌که ممکن است تعدادی از نقاط آن کلاس از درجه اهمیت بیش‌تر و تعدادی از آن‌ها نویز باشند که درجه اهمیت پایینی داشته باشند. الگوریتم پیشنهادی با وزن‌دهی به نقاطِ نواحی متراکم، توجه الگوریتم به این نقاط را بیش‌تر و با وزن‌دهی کم‌تر به نقاط پرت و نویز، اهمیت این نقاط کم‌تر می‌نماید به‌طوری‌که دقت الگوریتم افزایش می‌یابد. الگوریتم‌ پیشنهادی بر روی داده‌های پایگاه UCI که دوکلاسی هستند، آزمایش شده است. نتایج حاصل نشان‌دهنده برتری روش پیشنهادی نسبت به روش‌ همتا، S-TWSVM است.

کلمات کلیدی