CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

یک روش برای کاهش طبقه بندی داده با استفاده از تکنیک وزن دهی در +SVM

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۳۲۲ | نظرات: ۰
سال انتشار: ۱۳۹۴
کد COI مقاله: TAES01_035
زبان مقاله: فارسی
حجم فایل: ۵۲۶ کیلوبایت (فایل این مقاله در ۱۰ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۰ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله یک روش برای کاهش طبقه بندی داده با استفاده از تکنیک وزن دهی در +SVM

  زهرا جعفری - دانشجوی کارشناسی ارشد مهندسی کامپیوتر، دانشگاه پیام نور
  آرش قربان نیا دلاور - عضوهیئت علمی مهندسی کامپیوتر و فناوری اطلاعات دانشگاه پیام نور

چکیده مقاله:

در تکنیک وزن دهی +SVM، کاهش طبقه بندی داده ها یکی از موارد مهم می باشد. در این مقاله یک روش برای کاهش طبقه بندی داده ها با استفاده از تکنیک وزن دهی در +SVM را ارائه داده ایم که با درنظر گرفتن یک منبع پارامترها به تابع صلاحیتی رسیده و با 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 درنظر گرفتن پارامترهای توانستیم با قسمت بندی داده ها، داده های تکراری را کاهش داده و در نهایت با وجود آستانه در تابع هدف زمان پردازش را کاهش و سرعت را افزایش دهیم.

کلیدواژه‌ها:

داده کاوی (Data Mining)، ماشین بردار پشتیبان (SVM (SUPPORT VECTOR MACHINE)، طبقه بندی داده (Data Classification)، داده های تکراری (Duplicate Data)، چگالی (Density)، حد آستانه (TD)

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-TAES01-TAES01_035.html
کد COI مقاله: TAES01_035

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
جعفری, زهرا و آرش قربان نیا دلاور، ۱۳۹۴، یک روش برای کاهش طبقه بندی داده با استفاده از تکنیک وزن دهی در +SVM، کنفرانس ملی چشم انداز 1404 و پیشرفتهای تکنولوژیک علوم مهندسی، شیراز، مرکز توسعه آموزشهای نوین ایران (متانا)، https://www.civilica.com/Paper-TAES01-TAES01_035.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (جعفری, زهرا و آرش قربان نیا دلاور، ۱۳۹۴)
برای بار دوم به بعد: (جعفری و قربان نیا دلاور، ۱۳۹۴)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • _ Vapnik, A. Vashist, N. Pavlovitch, Learning using hidden information: ...
  • V. Vapnik, A. Vashist, A new learning paradigm: learning using ...
  • J. Feyereisl, U. Aickelin, Privileged information for data clustering, Inf. ...
  • /4] B. Ribeiro, C. Silva, A. Vieira, A. Gaspar-Cunha, J. ...
  • L. Liang, V. Cherkassky, Connection between SVM- and multi-tasf learning, ...
  • /6] D. Pechyony, R. Izmailov, A. Vashist, V. Vapnik, SMO-style ...
  • D. Pechyony, V. Vapnik, Fast optimization algorithms for solving SVM+, ...
  • /8] D. Pechyony, V. Vapnik, On the theory of learning ...
  • Y. LeCun, L. Bottou, Y.Bengio, P. Haffmer, Gradien t-based learning ...
  • gwap, ESP game. http ://www.gwap. com/gwap/gam esPre view/espga me/ (accessed ...
  • M. Guillaumin, T. Mensink, J. Verbeek, C. Schmid, Tagprop: discriminative ...
  • M. Guillaumin, Features and tags for ESP game. http://lear. in ...
  • D. Tran, A. Sorokin, Human activity recognition with metric learning, ...
  • L. Gorelick, M. Blank, E. Shechtman, M. Irani, R. Basri, ...
  • 37Steps, PRTools: pattern recognition tools. _ 3 _ _ (accessed ...
  • K. Matsuoka, Noise injection into inputs in b ack-propaga tion ...
  • I.B.V. da Silva, P.J.L. Adeodato, PCA and Gaussian noise in ...
  • R.W. Yeung, A First Course in Information Theory, Kluwer/Plen um, ...
  • D. Pascual, F. Pla, J.S. SAchez, Cluster validation using information ...
  • V.N. Vapnik, The Nature of Statistical Learning Theory, Springer- Verlag, ...
  • R.S. Smith, J. Kittler, M. Hamouz, J. Illingworth, Face recognition ...
  • T. Joachims, Making large-scale support vector machine learning practical, in:B. ...
  • F.Chang, C. Y. Guo, X.R.Lin, C.J.Lu, Treedecompos itionforlarge -scaleS VM ...
  • O. A m ayri, N. Bougu ila, A studyofspa mfiltering ...
  • sem _ ticsim ilarityb etweenwords, IEEETrans. Knowl. DataEng. 23 (7) ...
  • M.M. Rahman, S.K.Antani, G.R. Thoma, _ learn ing-basedsim ilarityfusion and ...
  • H. Sahbi, J. Y.A udibert, R.Keriven, ...
  • Con text-dependen tkern elsforobject classification, IEEETrans. PatternA nal.Mach .Intell. 33 ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه پیام نور
    تعداد مقالات: ۴۳۹۴۷
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.