مروری بر ماشین های بردار پشتیبان

در این مقاله مروری بر ماشین های بردار پشتیبان داریم. روش بردارهای پشتیبان یک روش بسیار کارا در دسته بندی داده ها می باشد. بزرگترین محدودیت روش بردارهای پشتیبان در انتخاب Kernel می باشد، زمانی که Kernel ثابت باشد، دسته بندی SVM تنها دارای یک پارامتر قابل تغییر توسط کاربر می باشد (پارامتر جریمه ی خطا). انتخاب بهترین Kernel برای یک مسئله ی خاص از مسائل مهم و مطرح می باشد. دومین محدودیت در سرعت و اندازه در آموزش و تست می باشد. آموزش پایگاه داده های بسیار بزرگ، مسئله ای غیرقابل حل به روش عددی می باشد. راه حل هایی برای این قبیل از مسائل ارائه گردیده که به برخی از آنها در مقاله اشاره می گردد. یکی دیگر از مسائل مشکل در طراحی تفکیک کننده برای SVM چند کلاسه می باشد که در اینجا نیز راه حل های ابداع شده جهت رفع این مشکل ارائه گردیده است. ماشینهای بردار پشتیبان نسبت به سایر روش های دسته بندی داده ها مانند Neural Network در صورتی که انتخاب ها، مناسب انجام شوند (انتخاب حل کننده ی معادله ی درجه ی دوم، انتخاب Kernel) از دقت بسیار خوب و بالایی برخوردار می باشد. هدف از ارائه این مقاله، تحلیل روش های مطرح شده در ماشین های بردار پشتیبان می باشد. در این مقاله الگوریتم ها ارائه شده را با توجه به پیچیدگی محاسباتی، دقت دسته بندی، قابلیت تعمیم پذیری و زمان یادگیری با هم مقایسه کرده ایم.

کلیدواژه ها:

ماشین های بردار پشتیبان (SVM) ، ماشین های بردار پشتیبان دوگانه ، ماشین بردار پشتیبان دوگانه ی مرزی ، حداقل مربعات ماشین بردار پشتیبان ، دسته بندی