Each evolved genetic expression map

Each evolved genetic expression maps the samples space of the Xi's to the real numbers set: R, and attributes the interval ]- , 0] to the class 1 and the interval ]0,+ [ to the class 2. This mapping is static, but it can achieve good results for 2-category classification problems. Unfortunately, when more than two classes are involved (n-classes problem), finding meaningful division points over the set of real numbers returned by the genetic programs becomes more difficult. If boundary regions are chosen at arbitrary points over the set of real numbers, genetic programs face the problem of not only containing the necessary elements to distinguish between classes, but must also perform a translation task to provide output in the necessary range pre-specified for a given class. Many alternatives were proposed by many authors to solve this problem. In [11], if there are n classes in a classification task, these classes are sequentially assigned to n regions along the numeric output value space from some negative numbers to positive numbers by (n-1)*thresholds/boundaries. Class 1 is allocated to the region with all numbers less than the first boundary; class 2 is allocated to all numbers between the first and the second boundaries and class n to the region with all numbers greater than the last boundary n-1, as shown in the following:

Kết quả (Việt) 1:

Mỗi biểu hiện di truyền phát triển bản đồ không gian mẫu của Xi để tập số thực: R, và thuộc tính khoảng thời gian] -, 0] để lớp 1 và khoảng thời gian] 0, + [để lớp 2. Lập bản đồ này là tĩnh, nhưng nó có thể đạt được kết quả tốt cho 2-thể loại phân loại vấn đề. Thật không may, khi hơn hai lớp học có liên quan (n-lớp học vấn đề), việc tìm kiếm ý nghĩa bộ phận điểm trên tập số thực trở lại bởi các chương trình di truyền trở nên khó khăn hơn. Nếu biên giới vùng được lựa chọn tại bất kỳ điểm trên tập số thực, chương trình di truyền đối mặt với vấn đề không chỉ có các yếu tố cần thiết để phân biệt giữa các lớp học, nhưng cũng phải thực hiện một nhiệm vụ dịch để cung cấp sản lượng trong phạm vi cần thiết trước được chỉ ra cho một lớp học nhất định. Nhiều lựa chọn thay thế đã được đề xuất bởi nhiều tác giả để giải quyết vấn đề này. Trong [11], nếu có các lớp học n trong một nhiệm vụ phân loại, các lớp học được tuần tự gán n khu vực dọc theo không gian giá trị số đầu ra từ một số con số tiêu cực để số dương (n-1) * ngưỡng/ranh giới. Lớp 1 được cấp phát cho khu vực với tất cả số ít hơn ranh giới đầu tiên; lớp 2 được giao cho tất cả các số giữa đầu tiên và thứ hai ranh giới và lớp n đến vùng với tất cả các số lớn hơn n ranh giới cuối-1, như minh hoạ trong những điều sau đây:

Kết quả (Việt) 2:

Mỗi tiến hóa biểu hiện di truyền các bản đồ các mẫu không gian của Xi với số thực tập: R, và các thuộc tính khoảng thời gian] -, 0] vào lớp 1 và khoảng cách] 0, + [để lớp 2. Lập bản đồ này là tĩnh, nhưng nó có thể đạt được kết quả tốt cho vấn đề phân loại 2-loại. Thật không may, khi có nhiều hơn hai lớp có liên quan (vấn đề n-classes), tìm kiếm các điểm phân chia có ý nghĩa trên tập các số thực trả về bởi các chương trình di truyền trở nên khó khăn hơn. Nếu các khu vực biên giới được lựa chọn tại các điểm tùy ý trên tập số thực, chương trình di truyền đối mặt với những vấn đề không chỉ chứa các yếu tố cần thiết để phân biệt giữa các lớp, nhưng cũng phải thực hiện một nhiệm vụ dịch thuật để cung cấp sản lượng trong phạm vi cần thiết xác định trước cho một tầng lớp nhất định. Nhiều lựa chọn thay thế đã được đề xuất bởi nhiều tác giả để giải quyết vấn đề này. Trong [11], nếu có n lớp học trong một nhiệm vụ phân loại, các lớp này được tuần tự gán cho n các vùng dọc theo không gian giá trị đầu ra số từ một số tiêu cực đến các số dương (n-1) * ngưỡng / ranh giới. Class 1 được phân bổ cho các khu vực với tất cả các con số nhỏ so với ranh giới đầu tiên; lớp 2 được phân bổ cho tất cả các số đầu tiên và ranh giới thứ hai và lớp n cho khu vực này với tất cả các số lớn hơn ranh giới cuối cùng n-1, như thể hiện trong những điều sau đây: