استفاده از خوشه بندی برای بهبود ماشین بردار رگرسیون

در روشهای پیش بینی، وجود نمونه های با یاس و وجود آنتروپی در نمونه ها باعث کاهش دقت پیش بینی می شود. با توجه به این مسئله در این مقاله ما روش خوشه بندی براساس یادگیری فعال (CSVR) برای بهبود SVR ارائه داده ایم. در این روش با خوشه بندی بهینه ورودی ها براساس میزان تشابه دادها، تجمع نمونه های آموزشی را پیش بینی کردیم. بطوریکه بوسیله مشخصه چگالی خوشه ها و با ترکیب نمودن پارامترهای مختلف توانستیم، متغییرهای C , که نقش مهمی در دقت پیش بینی SVR دارند، بطور پویا مقدار دهی کنیم. همچنین سرعت پیش بینی را با کنترل ورودی ها و حذف دادهای با یاس افزایش داده ایم. در نهایت ثابت خواهیم کرد که سرعت و دقت پیش بینی روش پیشنهادی نسبت به روش SVR پایه بهبود یافته است.

کلیدواژه ها:

یادگیری فعال ، دقت پیش بینی ، رگرسیون بردار پشتیبان ، تخمین پارامترها ، خوشه بندی