حفظ و حراست از محیط زیست مربوط به یک یا چند کشور نیست بلکه پدیده ای است که کل جهان از آن متأثر می شود. با بکارگیری روش دلفی و استفاده از نظر خبرگان، 6 شاخص در وضعیت توسعه پایدار زیست محیطی در ایران، موثر قلمداد گردید. به منظور بررسی توسعه پایدار زیست محیطی بر اساس شش شاخص منتخب (سرانه منابع داخلی آب شیرین؛ بهره وری آب؛ استفاده از انرژی؛ منابع تولید برق؛ دسترسی به برق؛ انتشار دی اکسیدکربن) برای 186 کشور جهان، دیتاها از بانک جهانی استخراج گردید. هدف از این پژوهش، بررسی وضعیت ایران بر مبنای شش شاخص منتخبِ حوزه محیط زیست و تعیین جایگاه ایران در بین دیگر کشورهای جهان، با استفاده از تکنیک خوشه بندی؛ و سپس شناسایی شبیه ترین کشورها در طی 18 سال گذشته با وضعیت توسعه پایدار محیطی در ایران، است. یافته های پژوهش نشان می دهد، کشور ایران از منظر شاخص های محیطی توسعه پایدار بیشترین هم خوشه گی را با کشورهای ویتنام دارد که 13 بار در طی سال های 1996 تا 2016، در یک گروه قرار گرفتند؛ و بعد از آن بیشترین هم خوشه گی مربوط به کشور ارمنستان و عراق می باشد که 12 بار در یک خوشه قرار گرفتند؛ 11 بار با کشور ونزوئلا هم خوشه بوده است؛ و با کشورهای سوریه، آرژانتین، مصر و آلبانی 9 بار هم خوشه بوده است. و از طرفی، پس از بررسی شش شاخص منتخب توسعه پایدار محیطی مشخص گردید، ایران از منظر شاخص انتشار دی اکسیدکربن و شاخص سرانه منابع داخلی آب شیرین نسبت به کشورهای هم خوشه خود در وضعیت مناسبی قرار ندارد. در پایان بر مبنای یافته های پژوهش پیشنهادهایی برای پژوهش های آتی ارائه شده است. Manuscript profile

Classification is the operation of dividing various data into multiple classes where they share quantitative and qualitative similarities. Classification has many use cases in engineering fields such as cloud computing, power distribution, and remote sensing. The accuracy of many classification techniques such as k-nearest neighbor (k-NN) is highly dependent on the method used in the calculation of distances between samples. It is assumed that samples close to each other belong to the same class while samples that belong to different classes have a large distance between them. One of the popular distance calculation methods is the Mahalanobis distance. Many methods, including large margin nearest neighbor (LMNN), have been proposed to improve the performance of k-NN in recent years. Our proposed method aims to introduce a cost function to calculate data similarities while solving the local optimum pitfall of LMNN and optimizing the cost function determining distances between instances. Although k-NN is an efficient classification technique that is simple to comprehend and use, it is costly to compute for large datasets and sensitive to outlier data. Another difficult feature of k-NN is that it can only measure distance in Euclidean space. The distance metric should ideally be modified to fit the specific needs of the application. Due to the disadvantages in k-NN and LMNN methods, to optimize the objective function to calculate distances for the test data and to improve classification accuracy, we initially use the genetic algorithm to reduce the range of the solution space and then by using the gradient descent the optimal values of parameters in the cost function is obtained. Our method is carried out on different benchmark datasets with varying numbers of attributes and the results are compared to k-NN and LMNN methods. Misclassification rate, precision, f1 score, and kappa score are calculated for different values of k, mutation rate, and crossover rate. Overall, our proposed method shows superior performance with an average accuracy rate of 87.81% which is the highest among all methods. The average precision, f1 score, and kappa score of our method are 0.8453, 0.8513, and 0.6976 respectively. Manuscript profile