یک رویکرد جدید انتخاب داده ها در اجرای روش SVM برای داده های نامتعادل

روش (ماشین بردار پشتیبان) یک روش طبقه بندی پارامتریک بر مبنای نظریه یادگیری آماری و توزیع آماری داده ها می باشد. یکی از مشکلات روش در مواجهه با داده های نامتعادل (عدم تعادل در تعداد داده ها) عملکرد نادرست در دسته بندی است. در این مقاله هدف ما معرفی رویکردی جدید در جهت انتخاب تعداد محدودی از داده های دسته بزرگ تر به کمک تکنیک های خطی و شبکه های عصبی پرسپترن است به طوری که بین تعداد داده های دسته بزرگ تر و تعداد داده های دسته کوچک تر، یک تعادل نسبی ایجاد شود تا مشکلات کلاس بندی حاصل از عدم تعادل داده ها رفع شده و نتایج مطلوب در کلاس بندی داده ها حاصل شود.

کلیدواژه ها:

شبکه های عصبی ، شبکه های عصبی پرسپترن ، داده های نامتعادل ، داده های راسی