Support Vector Machines and Evolutionary Algorithms for Classification: Single or Together?

هنگام بحث در مورد طبقه‌بندی، ماشین‌های بردار پشتیبان به عنوان تکنیکی توانا و کارآمد برای یادگیری و پیش‌بینی با دقت بالا در یک بازه زمانی سریع شناخته می‌شوند. با این حال، جعبه سیاه آنها به این معنی است که کاربران عملی را در مورد تکیه بر آن کاملا محتاط می کند، بدون اینکه درک زیادی از چگونگی و چرایی پیش بینی های آن داشته باشند. سوال مطرح شده در این کتاب این است که چگونه می توان این "قهرمان نقابدار" را برای عموم قابل درک تر و دوستانه تر کرد: ارائه یک مدل جایگزین برای موتور بهینه سازی پنهان آن، جایگزینی کامل روش یا تعیین رویکرد دوستانه تر برای برچسب زدن و ارائه توضیحات بسیار مطلوب؟ الگوریتم های تکاملی می توانند همه اینها را انجام دهند و این کتاب چنین امکاناتی را برای دستیابی به دقت بالا، درک، زمان اجرا معقول و همچنین عملکرد نامحدود ارائه می دهد.

When discussing classification, support vector machines are known to be a capable and efficient technique to learn and predict with high accuracy within a quick time frame. Yet, their black box means to do so make the practical users quite circumspect about relying on it, without much understanding of the how and why of its predictions. The question raised in this book is how can this ‘masked hero’ be made more comprehensible and friendly to the public: provide a surrogate model for its hidden optimization engine, replace the method completely or appoint a more friendly approach to tag along and offer the much desired explanations? Evolutionary algorithms can do all these and this book presents such possibilities of achieving high accuracy, comprehensibility, reasonable runtime as well as unconstrained performance.