بررسی الگوریتم های ترکیبی با ماشین بردار پشتیبان

ماشین بردار پشتیبان الگوریتمی است که برمبنای تئوری نسبتا جدید آموزش آماری ابداع شده است و هدف آن ستبر بودن در مقابل نویز و تعمیم دهی بالا برروی نمونه های جدید است در اموزش SVM کرنلها، پارامترهای کرنل و انتخاب ویژگی نقش مهمی دارند بنابراین باید به درستی انتخاب شوند تا دقت دسته بندی SVM بهبود یابد یکی از زمینه ها ی مرتبط با SVM بهبود در ساختار الگوریتم SVM است که زمان اجرای این الگوریتم را در آموزش داده ها کاهش داده است همچنین از آنجاییکه ترکیب SVM با روشهای دیگر تا حد مطلوبی به دقت این الگوریتم افزوده و آن را در طبقه بندی داده ها قدرتمند تر کرده است دراین پژوهش پس از بررس ماشین بردار پشتیبان به ارزیابی برخی زا الگوریتم های ادغام شده با این روش پرداخته و پارامترهای حائذ اهمیت در کارایی همچون دقت ، صحت و خطای دسته بندی را مورد سنجش قرار می دهیم. و در انتها برخی پیشنهادات را برای کارهای آینده بیان می نماییم.

کلیدواژه ها:

ابر صفحه ، توابع هسته ، دسته بندی ، ماشین بردار پشتیبان ، یادگیری ماشین