Méthodes de classification hybride robustes et applications

Le classificateur de moyenne d'échantillon, tel que le classificateur de moyenne la plus proche (NMC) et le classificateur de Bayes, n'est pas robuste en raison de l'influence des valeurs aberrantes. Améliorer la performance robuste de ces méthodes peut entraîner une perte d'information vitale en raison de la pondération ou de la suppression de données. L'objectif de cette étude est de développer des classificateurs univariés hybrides robustes qui ne reposent pas sur la pondération ou la suppression de données. Les méthodes de transformation des données suivantes, telles que l'approche des moindres carrés (LSA) et l'approche de prédiction linéaire (LPA), sont appliquées pour estimer les paramètres d'intérêt afin d'atteindre les objectifs de cette étude. Les estimations LSA et LPA sont appliquées pour développer deux groupes de classificateurs univariés. Nous avons également appliqué les estimations prédites des méthodes LSA et LPA pour développer quatre classificateurs hybrides. Ces classificateurs sont utilisés pour investiguer si la longueur de la corne et de la base des bovins pourraient être utilisées pour déterminer le sexe des bovins. Nous avons également utilisé ces méthodes de classification pour déterminer si les formes pouvaient classer les variétés de bananes. Le NMC, LSA, LPA et les classificateurs hybrides ont montré que le sexe des bovins pouvait être déterminé à l'aide de la longueur de la corne et de la mesure de la largeur de la base. L'analyse a également révélé que les formes pouvaient déterminer la variété de bananes. Les résultats comparatifs utilisant les deux ensembles de données ont montré que toutes les méthodes ont une précision de prédiction de performance supérieure à 90 %. Les résultats ont confirmé que la performance du NMC, LSA, LPA et des classificateurs hybrides satisfait la théorie dépendante des données et est adaptée pour classifier les produits agricoles. Par conséquent, les méthodes proposées pourraient être appliquées pour effectuer des tâches de classification de manière efficace dans de nombreux domaines d'étude.