ماشین یادگیر نهایی (ELM) از جمله جدیدترین ابزارهای یادگیری ماشین است که استفاده‌های روزافزونی در کاربردهای متعدد حوزه یادگیری ماشین پیدا کرده است. مزیت اصلی این روش نسبت به شبکه عصبی پرسپترون چند لایه (MLP) ، کم بودن زمان آموزش آن نسبت به این شبکه عصبی معروف است. در بسیاری از مقالات اصلی ماشین یادگیر نهایی، دقت این سیستم بیشتر از MLP گزارش شده است. در این مقاله برای ارزیابی این ادعا، دو نسخه از ماشین یادگیر نهایی در کاربرد قطعه‌بندی تصاویر با شبکه عصبی پرسپترون چند لایه مورد مقایسه قرار گرفته‌اند. آزمایشات مختلف بر روی پایگاه داده BSD و با درنظر گرفتن تعداد نورون‌های متفاوت در لایه پنهان انجام شده است. نتایج آزمایشات با معیارهای مختلف حاکی از آن بوده است که در حالت میانگین، خطای طبقه‌بندی شبکه عصبی پرسپترون چند لایه از ماشین یادگیر نهایی کمتر است؛ با این حال آموزش ماشین یادگیر نهایی بسیار سریعتر از MLP می‌باشد. با تعداد ۱۰۰ نورون در لایه پنهان، MLP، 2.5 درصد «صحت» بیشتری از ELM دارد، در حالیکه زمان آموزش MLP، 155 برابر زمان آموزش ELM است.

Keywords