ارزیابی کارایی الگوریتم های مبتنی برماشین بردار پشتیبان

الگوریتم های مبتنی بر ماشین بردار پشتیبان بر مبنای تئوری نسبتا جدید آموزش آماری ابداع شده اند و هدف آنهاستبر بودن در مقابل نویز و تعمیم دهی بالا بر روی نمونه های جدید است در آموزش ماشین های مبتنی بر بردار پشتیبان توابع هسته، پارامترهای هسته ها و انتخاب ویژگی ها نقش مهمی دارند، بنابراین باید به درستی انتخاب شوند تا میزانکارایی دسته بندی افزایش یابد و همچنین از آنجاییکه روش های دیگر دسته بندی تا حد مطلوبی دسته بندی داده ها رامورد ارزیابی قرار داده اند و نتایج متفاوت ارائه داده شده است، در این پژوهش به ارزیابی کارایی دو الگوریتم دسته بندمتنی بر ماشین بردارپشتیبان می پردازیم.در این پژوهش الگوریتم های دسته بندی ماشین بردار پشتیبان و ماشین بردار پشتیبان یکنواخت را بر روی سه مجموعه داده که از سایت UCI استخراج شده مورد ارزیابی قرار داده ایم، نتیجه ای که از این کار حاصل شد به اینصورت می باشد که الگوریتم ماشین بردار پشتیبان یکنواخت نسبت به ماشین بردار پشتیبان در حالت تفکیک پذیری خطی برروی سه مجموعه داده مورد آزمایش بهترین میزان دقت، .%98 که مربوط به مجموعه داده CMC می باشد ، وهمچنین در حالت تفکیک پذیری غیر خطی با تابع هسته چندجمله ای بر روی سه مجموعه داده Vowel ، Cancer و CMC که دارای رکورد و نویز نسبتا بیشتری هستند بالاترین میزان دقت .%98مربوط به مجموعه داده Vowel است را از خودنشان داد ، وماشین بردار پشتیبان با هسته خطی کارایی نسبتا چشمگیر تری نسبت به روش ماشین بردار پشتیبان یکنواخت از خود نشان داده است

کلیدواژه ها:

ماشین بردار پشتیبان ، ماشین بردار پشتیبان یکنواخت ، تابع هسته