مقاله ترجمه شده درباره کاهش تعداد طبقه بندی کننده های فرعی برای ماشین های بردار پشتیبانی چند مقوله ای
مشخصات مقاله:
عنوان فارسی مقاله:
کاهش تعداد طبقه بندی کننده های فرعی برای ماشین های بردار پشتیبانی چند مقوله ای دو به دو
عنوان انگلیسی مقاله:
Reducing the number of sub-classifiers for pairwise multi-category support vector machines
کلمات کلیدی مقاله:
SVM، طبقه بندی چند طبقه ای، نمونه گیری غیر قابل اطمینان
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
هوش مصنوعی، مهندسی الگوریتم ها و محاسبات
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
1 – مقدمه
2 – SVM چند دسته ای
3 – نمونه برداری عدم قطعیت
4 – MSVM مبتنی بر نمونه برداری عدم قطعیت
5- نتایج آزمایشی
6- نتیجه گیری ها
قسمتی از مقاله انگلیسی و ترجمه آن:
1. Introduction
The Support Vector Machine (SVM) is a powerful technique for classification. It classifies positive and negative samples by searching a hyperplane with the largest margin between them, so that better generalization performance and fewer training errors can be obtained. In this paper, we will discuss SVM for multi-category classification, which means the number of the categories is more than two. Generally, the binary (two-category) SVM can be extended to multi-category case in two ways. The first way is considering all categories in one optimization problem. According to this way, a multi-category problem is formulated into one optimization equation, but there are too many parameters to adjust, so it is inefficient. The second way is constructing several binary sub-classifiers. In this way, multi-category problems are treated as a series of binary sub-problems, and many methods are developed based on this idea. Compared with the first, the second way is more widely used.
1 – مقدمه
ماشین بردار پشتیبانی ( SVM ) یک تکنیک قدرتمند برای دسته بندی می باشد . این ماشین یک سری نمونه های مثبت و منفی را از طریق جستجو زیر صفحه با بزرگ ترین حاشیه بین انها دسته بندی می کند بنابراین عملکرد تعمیم بهرت و خطا های اموزش کمتر را می توان کسب نمود . ما در این مقاله در مورد SVM برای دسته بندی چند مقوله ای بحث خواهیم کرد که به معنی تعداد دسته ها می باشد و بیشتر از دو است .
معمولا SVMدو تایی ( دودسته ای ) را می توان با مورد چند دسته ای در دو روش توسعه داد . اولین روش به بررسی کل دسته ها در یک مسئله بهینه سازی می پردازد . بر اساس این روش ، مسئله چند دسته ای درون یک معادله بهینه سازی تدوین می گردد اما در انجا تعداد زیادی از پارامترها برای تطبیق وجود دارند از اینرو مسئله ناقص می باشد . دومین روش در واقع ساختن چندین دسته بندی کننده فرعی دو تایی می باشد . مسایل چند دسته ای در این روش همانند سری هایی از مسایل فرعی دوتایی تلقی می شوند و تعدادی از روش ها بر اساس این ایده توسعه می یابند . دومین روش در مقایسه با اولین روش تا حد گسترده ای استفاده می گردد .
