مروری بر ماشین های بردار پشتیبان
- سال انتشار: 1394
- محل انتشار: اولین همایش چشم انداز تکنولوژی کامپیوتر و شبکه در ۲۰۳۰
- کد COI اختصاصی: MAYCOMP01_057
- زبان مقاله: فارسی
- تعداد مشاهده: 3494
نویسندگان
عضو هیات علمی گروه کامپیوتر، واحد ایذه، دانشگاه آزاد اسلامی واحد ایذه، ایران
عضو هیات علمی گروه کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی واحد میبد، ایران
چکیده
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 بندیمقالات مرتبط جدید
- سودآوری مشتریان در خردهفروشی قطعات یدکی ماشین آلات راهسازی با رویکرد یادگیری ماشین
- ارائه روشی کارآمد جهت شناسایی کودکان نیازمند به پیوند مغز استخوان با استفاده از ترکیب طبقه بند ماشین بردار پشتیبان و الگوریتم بهینه سازی فاخته
- استخراج بهینه پارامترهای تاثیر گذار الگوریتم بهینه سازی بوفالوی آفریقایی با هدف استخراج ویژگی های مهم به منظور افزایش کارایی طبقه بندی داده ها
- ارائه روشی کارآمد برای بهبود عملکرد الگوریتم بهینه سازی کلاغ سیاه به منظور افزایش صحت خوشه بندی داده ها
- استفاده از الگوریتم باور بیزین در لایه کاملا متصل شبکه عصبی کانولوشن با هدف افزایش دقت تشخیص تصاویر
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.