Abstrait

Comparaison des classificateurs d'apprentissage supervisé et non supervisé pour les recommandations de voyage

Zohreh Bahman Isfahani, Shahram Jafari et Reza Akbarian

Français La classification est l'une des activités les plus courantes dans les domaines connexes de la prise de décision intelligente. Les réseaux neuronaux sont des approches appropriées pour résoudre les problèmes d'exploration de données, en particulier la classification. Habituellement, pour résoudre le problème de classification à l'aide d'un réseau neuronal, il faut que les sorties appropriées existent pour eux, le type d'apprentissage supervisé est sélectionné. Dans cette étude, une comparaison sur la classification des données touristiques électroniques a été effectuée en utilisant deux méthodes d'apprentissage, supervisée et non supervisée, et les valeurs de sortie appropriées ont été déterminées pour toutes les données d'entrée. La sortie comprend des forfaits de voyage appropriés pour les touristes qui leur sont recommandés en fonction des valeurs d'entrée. Le résultat expérimental a montré que malgré l'existence des valeurs de sortie cibles, la sortie du réseau neuronal avec apprentissage non supervisé et architecture SOM a une prédiction plus précise par rapport à l'apprentissage supervisé. Les forfaits de voyage proposés par le réseau neuronal sont plus conformes aux sélections touristiques pour l'évaluation finale des résultats, l'ensemble de données de test a été remis aux experts et leur soin dans les prédictions a indiqué des résultats proches des évaluations obtenues à partir de la méthode d'apprentissage non supervisé.