روشی برای کاهش دسته بندی داده با وزن دهی داده ها در SVM+
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 550
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
SENACONF02_174
تاریخ نمایه سازی: 30 آبان 1394
چکیده مقاله:
SVM یک الگوریتم یادگیری مرتبط به تجزیه و تحلیل داده ها و تشخیص الگوهای مورد استفاده برای طبقه بندی می باشد و SVM+ نسخه کاربردی SVM است که تکیه ظریفی بر ارتباط بین داده های منظم و شاخص دارد، در تکنیک وزن دهی SVM+ ، کاهش طبقه آنها توانستیم اندازه بازه ها را به گونه ای تعریف کنیم و توانسته ایم طبقه بندی را نسبت به مطالعه موردی که بررسی شده کاهش دهیم. SVM+ را ارائه داده ایم که با در نظر گرفتن یک منبع پارامترها به تابع صلاحیتی رسیده و با در نظر گرفتن پارامتر حجم داده ها و چگالی آنها توانستیم اندازه بازه ها را به گونه ای تعریف کنیم و توانسته ایم طبقه بندی را نسبت به مطالعه موردی که بررسی شده کاهش دهیم.با در نظر گرفتن پارامترها توانستیم با قسمت بندی داده ها، داده های تکراری را کاهش داده و در نهایت با وجود حد آستانه در تابع هدف زمان پردازش را کاهش و سرعت را افزایش دهیم.
کلیدواژه ها:
داده کاوی(Data Mining) ، ماشین بردار پشتیبان (SVM (SUPPORT VECTOR MACHINE) ) ، طبقه بندی داده (Data Classification) ، چگالی(Density) ، حد آستانه (Threshold(TD
نویسندگان
زهرا جعفری
دانشجوی کارشناسی ارشد مهندسی کامپیوتر دانشگاه پیام نور
آرش قربان نیا دلاور
عضوهیات علمی گروه مهندسی کامپیوتر و فناوری اطلاعات دانشگاه پیام نور
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :