ارائه یک ماشین بردار پشتیبان حداقل مربعات محدب سریع برای مجموعه داده های بزرگ

در مرحله آموزش، ماشین بردار پشتیبان معمولی دارای زمان آموزش طولانی برای طبقه بندی مجموعه داده های بزرگ می باشد. در این مقاله، یک ماشین بردار پشتیبان حداقل مربعات محدب سریع پیشنهاد شده است که دارای سرعت آموزش بالایی در برخورد با مجموعه داده های بزرگ می باشد. در ابتدا، فضای محدب هر کلاس از مجموعه داده ها با استفاده از الگوریتم Qhull به دست آورده می شود و در مرحله ی دوم از داده هایی که بر روی پوسته ی فضای محدب هر کلاس قرار دارند جهت آموزش ماشین بردار پشتیبان حداقل مربعات استفاده می شود. عملکرد روش پیشنهادی بر روی مجموعه داده های بزرگ پایگاه داده UCI آزمایش شده و با ماشین بردار پشتیبان معمولی مقایسه گردیده است. نتایج نشان دهنده ی آن است که نه تنها زمان آموزش کاهش می یابد بلکه با افزایش تعداد داده ها دقت بیشتری نیز حاصل می گردد.

کلیدواژه ها:

ماشین بردار پشتیبان حداقل مربعات ، پوسته ی فضای محدب ، مجموعه داده های بزرگ ، Qhull