بهبود دقت الگوریتم ماشین بردار پشتیبان (SVM) با تکنیک انتخاب ویژگی

بشر با پیشرفت فناوری در ثبت و ذخیره سازی داده ها و پردازش آنها گامی بزرگ جهت کسب دانش برداشته است. در واقع داده نمایش از واقعیت ها، معلومات، مفاهیم، رویدادها یا پدیده ها برای براقراری ارتباط، تفسیر یا پردازش، توسط انسان یا ماشین است. از داده کاوی، به عنوان مرحله ای از فرایند کشف دانش که الگوها و یا مدل ها را در میان انبوهی از داده ها پیدا می کند، یاد می شود. یکی از مهمترین وظایف داده کاوی، طبقه بندی است. طبقه بندی فرآیند یافتن مدلی که کلاس ها یا مفهوم داده را برای پیش بینی نمونه هایی با برچسب نامشخص، تشخیص و تشریح کند. روش های بسیاری جهت ساختن مدل های طبقه بندی وجود دارد از جمله طبقه بندی بیزین، ماشین بردار پشتیبان، نزدیک ترین همسایگی و...می باشند. هدف این تحقیق، بهبود دقت الگوریتم ماشین بردار پشتیبان (SVM) است. SVM ابزاری کارامد در یادگیری ماشین می باشد اما قادر به انتخاب ویژگی های مهم نیست. در این مقاله، با ترکیب ماشین بردار پشتیبان پروگزیمال (PSVM) و استراتژی انتخاب ویژگی سعی بر انتخاب ویژگی های مهم و استفاده آن برای طبقه بندی می باشد.

کلیدواژه ها:

داده کاوی ، ماشین بردار پشتیبان پروگزیمال (PSVM) ، انتخاب ویژگی