بهبودی در ماشین بردار پشتیبان دوگانه حاشیه-پارامتری

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 130

This Paper With 13 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_DMOR-7-4_001

تاریخ نمایه سازی: 24 آبان 1401

Abstract:

هدف: هدف در این مقاله ارایه یک نوع بهبودیافته از مدل ماشین بردار پشتیبان دوگانه حاشیه-پارامتری به منظور بهبود عملکرد کلاس بندی است.روش شناسی پژوهش: با جایگزین کردن متغیر جدید در تابع هدف، نقاط یک کلاس از ابرصفحه حاشیه-پارامتری کلاس دیگر تا جای ممکن دور می شود.یافته ها: مدل بهبودیافته  در هر دو حالت خطی و غیرخطی محدب است. همچنین آزمایش های عددی بر روی داده های  کتابخانه ای UCI نشان دهنده عملکرد بهتر مدل پیشنهادی در مقایسه با دو مدل مشابه در مقایسه با دو مدل مشابه در حالت های خطی و غیرخطی از نظر دقت است.اصالت/ارزش افزوده علمی: مطالعات قبلی انجام شده در مدل ماشین بردار پشتیبان دوگانه حاشیه-پارامتری که از طریق روش های مانند وزن دار کردن داده ها، تبدیل کردن  آن به  مدل نامقید و یا اضافه کردن عبارت جدید در تابع هدف دقت مسئله را افزایش می دهند، تضمین کننده دور بودن تمام نقاط از ابرصفحه و قرار داشتن آن ها در نیم فضای منفی نیستند؛ اما این بررسی  یک رویکرد جدید برای رفع این مشکل ماشین بردار پشتیبان دوگانه حاشیه-پارامتری ارایه می دهد. 

Keywords:

Authors

علی سهله

گروه ریاضی کاربردی، دانشکده علوم ریاضی، دانشگاه گیلان، رشت، ایران.

مازیار صلاحی

گروه ریاضی کاربردی، دانشکده علوم ریاضی، دانشگاه گیلان، رشت، ایران.

صادق اسکندری

گروه علوم کامپیوتر، دانشکده علوم ریاضی، دانشگاه گیلان، رشت، ایران.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
  • Cortes, C., & Vapnik, V. (۱۹۹۵). Support vector machine. Machine learning, ۲۰(۳), ...
  • Friedman, M. (۱۹۴۰). A comparison of alternative tests of significance ...
  • Gupta, D., Borah, P., & Prasad, M. (۲۰۱۷, November). A ...
  • Hao, P. Y. (۲۰۱۰). New support vector algorithms with parametric ...
  • Iman, R. L., & Davenport, J. M. (۱۹۸۰). Approximations of ...
  • Jayadeva, H. M. (۲۰۰۷). Studies on nitrogen losses, methane emission and ...
  • Mercer, J. (۱۹۰۹). Xvi. functions of positive and negative type, ...
  • Nasiri, J. A., & Mir, A. M. (۲۰۲۰). An enhanced ...
  • Peng, X. (۲۰۱۱). TPMSVM: a novel twin parametric-margin support vector ...
  • Piryonesi, S. M., & El-Diraby, T. E. (۲۰۲۰). Data analytics ...
  • Rastogi, R., Saigal, P., & Chandra, S. (۲۰۱۸). Angle-based twin ...
  • Rastogi, R., Sharma, S., & Chandra, S. (۲۰۱۸). Robust parametric ...
  • Schölkopf, B. (۲۰۰۱). Statistical learning and kernel methods. In Data fusion ...
  • Schölkopf, B., Smola, A. J., Williamson, R. C., & Bartlett, ...
  • Vapnik, V. (۱۹۹۸). The support vector method of function estimation. ...
  • Wang, Z., Shao, Y. H., Bai, L., Li, C. N., ...
  • نمایش کامل مراجع