كاهش خطای دسته بندی ماشین های بردار پشتیبان

در بازشناسی الگو، یكی از روش های افزایش دقت بازشناسی، بهره گیری از روش های متمایز ساز است. این روش ها یا به صورت تبدیل متمایز ساز بر ویژگی ها به كار می روند یا از روش های یادگیری متمایز ساز برای آموزش دسته بند استفاده می كنند. به طور معمول معیار تبدیلات متمایز ساز متفاوت با معیار آموزش و یا خطای دسته بندهای متمایز ساز است.

 در مقاله ارائه شده توسط پژوهشگران ایرانی، برای هماهنگ كردن معیار تبدیل ویژگی و نیز معیار دسته بندی ماشین بردار پشتیبان روشی برای تخمین تبدیل ویژگی با استفاده از الگوریتم ژنتیك (GA) پیشنهاد می شود كه معیار تبدیل آن كمینه كردن خطای دسته بندی ماشین بردار پشتیبان است.

علاوه بر این، روشی برای تخمین تبدیل ویژگی با استفاده از الگوریتم ژنتیك دو هدفه، پیشنهاد می شود كه معیار این تبدیل بیشینه شدن تمایز بین دسته ای (مطابق با معیار روش های تبدیل ویژگی) و كمینه كردن خطای دسته بندی ماشین بردار پشتیبان به صورت هم زمان است.

ارزیابی بر روی دادگان UCI نشان می دهد كه استفاده از معیارهای هم زمان خطای دسته بندی و تمایز بین دسته ای در تبدیل ویژگی سبب بهبود عملكرد تبدیلات ویژگی متمایز ساز متداول در افزایش دقت دسته بندی ماشین بردار پشتیبان می شود؛ علاوه بر اینكه استفاده از تبدیل ویژگی با معیار خطای دسته بندی نسبت به دیگر روش های شناخته شده تبدیل ویژگی و نیز روش دو هدفه، دقت دسته بندی ماشین بردار پشتیبان را بیشتر افزایش می دهد.

منبع: فاطمه حسین خانی، بابك ناصرشریف،1394، دو روش تبدیل ویژگی مبتنی بر الگوریتم های ژنتیك برای كاهش خطای دسته بندی ماشین بردار پشتیبان. فصلنامه پردازش علائم و داده ها ، سال دوازدهم، شماره 2 (پیاپی 24).

لینک منبع

No tags for this post.