پایان‌نامه

بررسی تأثیر توجه مضاعف به نمونه های یادگیری با استفاده از قیود بهینه سازی طبقه بندهای ماشین بردار پشتیبان

چکیده

بدون شک نیاز عصر امروز بشر، با توجه به غوطه‏ور شدن در حجم وسیعی از داده‏های پیرامونش، استفاده از ابزارهایی برای تحلیل این داده‏ها و دستیابی به دانش نهفته‏ی درون آنهاست. طبقه‎بندی داده‎ها یکی از ابزارهای مهم در استخراج دانش از داده‎هاست. یکی از مشکلاتی که در هر روش طبقه‏بندی داده‏ها پیش روی داریم، بدست آوردن بهترین مدل است. اهمیت این قضیه وقتی آشکار می‏شود که بدانیم مجموعه داده‏هایی که برای آموزش این مدل استفاده شده‏ است، دارای داده‏های پرت، نویزی و یا به طور کلی کم اهمیت هم بوده است. در نتیجه مدل بدست آمده نمی‏تواند نتایج خوبی را در تشخیص داده‏های جدید گزارش نماید. بنابراین کلیه‏ی برنامه‏های داده‏کاوی از جمله طبقه‏بندی، بخش عمده‏ای از کار خود را روی تحلیل و کم‎کردن تأثیر این داده‏ها صرف می‏کنند. یکی از محبوب‏ترین روش‏های طبقه‏بندی داده‏ها ماشین‎های بردار پشتیبان (svm) هستند. ابرسطح جداکننده ای که توسط این روش بدست می‎آید فقط به بخش کوچکی از داده‎های آموزش بستگی دارد. در نتیجه svm نسبت به داده‎های نویزی و پرت بسیار حساس است. از طرف دیگر اهمیت تمام داده‎هایی که در آموزش شرکت می‎کنند، یکسان در نظر گرفته می‎شود. هدف اصلی در این تحقیق، اهمیت دادن به نمونه‎های یادگیری با استفاده از قیود موجود در مسأله‎ی بهینه‎سازی svm است. بدین ترتیب مشکل دیگر در آموزش svm که همواره بین انتخاب یک حاشیه بزرگ‎تر و کم‎کردن خطای در آموزش سیستم یک تضاد وجود دارد، به نحوی تبدیل به یک هدف شده و مرتفع می‎گردد و زیادتر کردن آگاهانه‏ی خطا تأثیر منفی بر مسأله‏ی بیشینه کردن ناحیه‏ی بین دو کلاس نخواهد داشت. ساختار svm در روش پیشنهادی به نحوی تغییر می‎کند که قادر است در مقابل داده‎های نویزی و پرت مقاوم‎تر باشد. از مزایای دیگر روش ارائه شده در نظر گرفتن تحمل و همچنین درجه‎ی قطعیت برای داده‎هاست که تاکنون در هیچ‎کدام از توسعه‎هایی که برای svm داده شده، مطرح نگردیده است. آزمایش‎های مختلف با استفاده از مجموعه داده‎های متعدد کارایی این الگوریتم برای مسائل مختلف یک کلاسی، دو کلاسی و چند کلاسی را اثبات کرد.

اساتید راهنما و مشاور

محمود نقیب زاده، هادی صدوقی یزدی

پایان‌نامه‌های مشابه

اسناد مشابه