مقایسه عملکرد ماشین بردار پشتیبان، درخت تصمیم و شبکه عصبی در تشخیص اعداد دست نویس فارسی

در این مقاله، عملکرد سه الگوریتم یادگیری ماشین شامل ماشین بردار پشتیبان ، درخت تصمیم و شبکه عصبی در تشخیص اعداد دستنویس فارسی با استفاده از دیتابیس هدی مقایسه شده است. تشخیص اعداد دستنویس یکی از کاربردهای مهم پردازش تصویر است که در سیستم های مختلف مانند چک خوان ها و مرتب سازی بسته های پستی به کار می رود. در این مطالعه، تصاویر اعداد دست نویس فارسی از دیتابیس هدی جمع آوری و به سایز مناسب تغییر داده شده و به صورت سیاه و سفید ذخیره شدند. داده ها به دو مجموعه آموزش و آزمون تقسیم شده و هر الگوریتم بر روی این مجموعه ها آزمایش شده است. نتایج نشان می دهد که ماشین بردار پشتیبان به دلیل توانایی در یافتن ابرصفحه های بهینه دقت بالایی دارد. درخت تصمیم به دلیل سادگی و قابلیت تفسیر آسان، اما با چالش های بیشتر در برابر داده های نویزی و احتمال بیش برازش، عملکرد ضعیف تری نسبت به SVM و شبکه عصبی دارد. شبکه عصبی به دلیل قابلیت یادگیری الگوهای پیچیده، دقت بالایی نشان داده است، اما به تنظیمات دقیق و منابع محاسباتی بیشتری نیاز دارد. در پایان، دقت هر مدل مقایسه شده تا مشخص شود کدام الگوریتم برای تشخیص اعداد دستنویس فارسی مناسب تر است.