بهینه سازی ماشین بردار پشتیبان با استفاده از داده های مثلثی درون خوشه بندی فازی برای کار با مجموعه داده های بزرگ

ماشین بردار پشتیبان (SVM) یک ابزار قوی برای طبقه بندی داده ها می باشد. زمان آموزش SVM با تعداد داده های آموزش رابطه مستقیم دارد. در این مقاله، یک روش کاهش دهنده حجم داده بر اساس انتخاب داده های مثلثی درون خوشه بندی فازی (FCM) مطرح شده است. در ابتدا با استفاده از روش خوشه بندی فازی به خوشه بندی داده های آموزش پرداخته می شود. در هر خوشه، سه داده آموزشی که بیشترین فاصله را با مرکز خوشه و یکدیگر دارند انتخاب می شوند. از داده های مثلثی و مراکز خوشه ها بعنوان داده های آموزش کاهش یافته برای آموزش SVM استفاده می شود. نتایج آزمایشات انجام شده بر روی مجموعه داده های بزرگ پایگاه داده UCI نشان می دهد که روش پیشنهادی علاوه بر کاهش زمان آموزش با انتخاب مناسب داده ها باعث تقویت ویژگی مقاوم بودن SVM در برابر داده های نویزی و پرت و همچنین کاهش تعداد بردارهای پشتیبان انتخابی توسط SVM در مجموعه داده های بزرگ می شود.

کلیدواژه ها:

ماشین بردار پشتیبان ، خوشه بندی فازی ، طبقه بندی ، مجموعه داده های بزرگ