یک روش جهت دسته بندی ورودی با در نظر گرفتن فاصله مکانی در بردار وزن با استفاده از SVM کاربردی

SVM یک الگوریتم یادگیری مرتبط به تجزیه و تحلیل داده ها و تشخیص الگوهای مورد استفاده می باشد. SVM+ همان نسخه کاربردی SVM است که برپایه استفاده از داده های متمایز و خاص است.مشکل در این الگوریتم ها وجود داده های تکراری و زمان پردازش واقعی است.ما در این مقاله روشی برای دسته بندی ورودی با درنظر گرفتن فاصله مکانی در بردار وزن با استفاده از SVM+ است را ارایه داده ایم. روش پیشنهادی ما با درنظرگرفتن دسته بندی نسبت به SVM+ سرعت بهتری دارد. با مشاهده وزن و اندازه داده ها توانستیم بازه ها را قسمت بندی کنیم، و داده ها را دسته بندی کرده و زمان اجرا و سرعت الگوریتم را بهینه نماییم. همچنین با ارایه تابع هدف روش پیشنهادی، توانستیم ورودی ها را دسته بندی و پارامترها را ادغام کنیم تا با توجه به تابع هدف زمان و دقت پردازش را کاهش دهیم و در نهایت نسبت به SVM+ از لحاظ کارآمدی بهینه شده است.

کلیدواژه ها:

داده کاوی ، دسته بندی داده ها ، ماشین بردار پشتیبان ، چگالی ، حدآستانه ، داده تکراری ، سرعت الگوریتم