کاربرد یادگیری چندمتر در بهبود کارایی الگوریتم پیش بنی توسط ماشین بردار پشتیبان

یکی از مسائل مهم در یادگیری ماشین، پیش بینی است. در سالیان اخیر الگوریتم های گوناگونی برای پیش بینی داده ها استفاده شده اند. از جمله این الگوریتمها، ماشین های بردار پشتیبان هستند. الگوریتم های ماشین بردار پشتیبان معمولی از یک متر معمولی استفاده می کنند که در فضای اقلیدسی عمل می نمایند. در انیجا روشی ارائه خواهد شد که با یادگیری چند متری موضعی، قابلیت پیش بینی الگوریتم پیش بینی به وسیله ماشین بردار پشتیبان را افزایش خواهد داد. روش کار به این صورت است که پس از یادگیری تانسورها متری موضعی مربوط به ساختار منیفلد ریمانی از طریق داده های آموزشی، ژئودزیک ها محاسبه خواهند شد. سپس با استفاده از نگاشت لگاریتمی مناسب، داده ها از فضای منیفلید ریمانی به قضای مماس آن برده خواهند شد و از ماشین بردار پشتیبان در این فضا استفاده خواهد شد. این کار باعث می شود تا بتوان از خاصیت یادگیری چند متری توسط ماشین بردار پشتیبان بهره برد. پس از آن نشان داده خواهد شد که روش مذکور قابلیت یادگیری بهتری نسبت به روش تک متری معمولی ماشین بردار پشتیبان خواهد داشت.

کلیدواژه ها:

یادگیری چند متری ، الگوریتم پیش بینی ، ماشین بردار پشتیبان ، منیفلد ریمانی