بهبود دقت الگوریتم ماشین بردار پشتیبان (SVM)با تکنیک انتخاب ویژگی

بهبود دقت الگوریتم ماشین بردار پشتیبان (SVM)با تکنیک انتخاب ویژگی


  • 368 بازدید

در این سلسله مقالات به مفاهیم و کاربرد های داده‌کاوی، متن کاوی و علوم مرتبط با علم داده پرداخته می‌شود. با توجه به حجم عظیم مقالات تولید شده در زبان فارسی در حوزه داده کاوی و علم داده، آکادمی داده تصمیم گرفت مقالات فارسی منتشر شده در این حوزه را خلاصه برداری کرده و در اختیار علاقه مندان قرار دهد. این مقالات ابتدا با معرفی موضوع و کارهای انجام شده آغاز می شود و سپس مجموعه داده یا دیتاست تحقیق ارائه می شود و سپس پیاده سازی انجام شده در رپیدماینر، وکا یا پایتون ارائه شده و نتایج تحلیل می شود.

در این رشته نوشته ها ابتدا خلاصه ای از مقاله ارائه شده و سپس نتیجه گیری مقاله عینا آورده می گردد و سپس فایل پی دی اف آن نیز برای دانلود در اختیار محققین و پژوهشگران عزیز قرار می گیرد. 

 

در این تحقیق هدف افزایش دقت الگوریتم ماشین بردار پشتیبان (SVM )است. که این امر با تلفیق مدل ماشین بردار پشتیبان پروگزیمال (PSVM )و یکی از تکنیک های انتخاب ویژگی (فیلتر) و همچنین استفاده از پنج روش نرمال سازی انجام شد. مدل ارائه شده شامل دوهدف می باشد که یک هدف مبنی بر افزایش حاشیۀ طبقه بندی و هدف دوم بر مبنای کاهش خطای طبقه بندی می باشد که با استفتده از قوانین ریاضی به مدل بهینه سازی نامقید تبدیل شد. در این مدل با انتخاب مناسب پارامتر های p و به یافتن حل های پراکنده پرداخته و با استفاده از مرز پایینی مقادیر مطلق ورودی های غیر صفر در هر حل بهینۀ محلی مشخص شده است. براساس نتایج نظری حاصل شده مدل نسبت به و دارای دقت بالاتری است.

 

این مقاله از طریق لینک قابل دسترسی است و محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 


کپی برداری بدون ذکر منبع، بر اساس قانون جرائم اینترنتی و مادۀ 12 فصل سوم قانون جرائم رایانه ای غیر قانونی بوده و مجازات جزای نقدی و حبس دارد و شرعا نیز حرام است! 
اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه تجاری یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام، واتزآپ و تمامی پیام رسان های ایرانی(سروش، آی گپ، بله و ویسپی) با شماره 09120637751 حضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد. 


افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.