بررسی عملکرد SVM’s در مسائل دسته بندی
بررسی عملکرد SVM’s در مسائل دسته بندی
یادگیری ماشین
مسائل دسته بندی
ماشین بردار پشتیبان
ماشین های دسته بندی
بردارهای پشتیبان خطی
بررسی عملکرد SVMs در مسائل دسته بندی
بررسی بردارهای پشتیبان خطی و عملکرد آن ها در مسائل دسته بندی
دانلود مقالات کارشناسی ارشد کامپیوتر
دانلود مقالات کارشناسی ارشد نرم افزار
دانلود مقاله کارشناسی ارشد مهندسی نرم افزار
بررسی عملکرد SVM’s در مسائل دسته بندی
مقدمه
در این گزارش به بررسی بردارهای پشتیبان خطی و عملکرد آن ها در مسائل مربوط به دسته بندی می-پردازیم. استفاده از بردارهای پشتیبان خطی (SVM’s) در مسائل دسته بندی، رویکرد جدیدی است که در چند ساله اخیر مورد توجه بسیاری قرار گرفته است و از آن در طیف وسیعی از کاربردها از جمله OCR، تشخیص دستخط، تشخیص علائم راهنمایی و … استفاده کرده اند. رویکرد SVM به این صورت است که در فاز آموزش، سعی می شود که مرز تصمیم گیری (Decision Boundry) به گونه ای انتخاب گردد که حداقل فاصله آن با هر یک از دسته های مورد نظر ماکزیمم گردد. این نوع انتخاب باعث می شود که تصمیم گیری ما در عمل، شرایط نویزی را به خوبی تحمل کند و پاسخ دهی خوبی داشته باشد. این نحوه انتخاب مرز بر اساس نقاطی به نام بردارهای پشتیبان انجام می شود. در این گزارش ما ابتدا مفاهیمی چون تعمیم پذیری یک ماشین شناسایی الگو و بعد VC را که کاربرد زیادی در مفاهیم ماشین های دسته بندی دارند بررسی می کنیم و سپس به توضیح بردارهای پشتیبان خطی، غیر خطی و توابع کرنل می پردازیم. در نهایت نیز بعد VC را برای برخی از این توابع مورد مطالعه قرار می دهیم
کلمات کلیدی:
یادگیری ماشین
مسائل دسته بندی
ماشین بردار پشتیبان
ماشین های دسته بندی
بردارهای پشتیبان خطی
فهرست مطالب
1 مقدمه 1
2 حد بالا برای تعمیم‌پذیری كارایی یك ماشین یادگیر در شناسایی الگو 4
3 بعد VC 4
3 – 1 نقاط خردشونده با صفحات در فضای Rn 5
3-2 بعد VC و تعداد پارامترها 6
4 ماشینهای بردار پشتیانی خطی، مورد جدایی‌پذیر 7
4-1 Karush-Kuhn-Tucker 11
4-2 تست 12
4-3 شرایط جدایی ناپذیر 12
5 بردارهای پشتیبان غیرخطی 15
5-1 شرایط Mercer 16
6 راه حل‌های فراگیر و یكتایی 18
7 روش‌های حل 18
8 بعد VC ماشینهای بردار پشتیبان 19
8-1 بعد VC مربوط به کرنلهای RBF (Radial Basis Function) 20
9 مراجع 21