پروژه آماده ماشین بردار پشتیبان (SVM)
چکیده :
در این
گزارش به بررسی بردارهای پشتیبان خطی و عملکرد آنها در مسائل مربوط به
دسته بندی میپردازیم. استفاده از بردارهای پشتیبان خطی (SVM’s) در مسائل
دسته بندی، رویکرد جدیدی است که در چند ساله اخیر مورد توجه بسیاری قرار
گرفته است و از آن در طیف وسیعی از کاربردها از جمله OCR، تشخیص دستخط،
تشخیص علائم راهنمایی و … استفاده کردهاند. رویکرد SVM به این صورت است که
در فاز آموزش، سعی میشود که مرز تصمیم گیری (Decision Boundry) به
گونهای انتخاب گردد که حداقل فاصله آن با هر یک از دستههای مورد نظر
ماکزیمم گردد. این نوع انتخاب باعث میشود که تصمیم گیری ما در عمل، شرایط
نویزی را به خوبی تحمل کند و پاسخ دهی خوبی داشته باشد. این نحوه انتخاب
مرز بر اساس نقاطی به نام بردارهای پشتیبان انجام میشود. در این گزارش ما
ابتدا مفاهیمی چون تعمیم پذیری یک ماشین شناسایی الگو و بعد VC را که
کاربرد زیادی در مفاهیم ماشینهای دسته بندی دارند بررسی میکنیم و سپس به
توضیح بردارهای پشتیبان خطی، غیر خطی و توابع کرنل میپردازیم. در نهایت
نیز بعد VC را برای برخی از این توابع مورد مطالعه قرار میدهیم.
فهرست مطالب :
1 مقدمه 1
2 حد بالا برای تعمیم‌پذیری کارایی یک ماشین یادگیر در شناسایی الگو. 4
3 بعد VC.. 4
3 – 1 نقاط خردشونده با صفحات در فضای Rn 5
3-2 بعد VC و تعداد پارامترها 6
4 ماشینهای بردار پشتیانی خطی، مورد جدایی‌پذیر. 7
4-1 Karush-Kuhn-Tucker 11
4-2 تست.. 12
4-3 شرایط جدایی ناپذیر. 12
5 بردارهای پشتیبان غیرخطی. 15
5-1 شرایط Mercer 16
6 راه حل‌های فراگیر و یکتایی. 18
7 روش‌های حل. 18
8 بعد VC ماشینهای بردار پشتیبان. 19
8-1 بعد VC مربوط به کرنلهای RBF (Radial Basis Function) 20
9 مراجع. 21
فرمت فایل : word ( قابل ویرایش ) میباشد.
توجه : این فایل با بهترین کیفیت قابل پرینت میباشد.
برای دانلود کلیک کنید
- ۹۶/۰۷/۲۲