نادیا قنبری - دانشجوی مقطع کارشناسی ارشد دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیرکبیر؛ تهران؛ ایران
فرناز هوشمندخلیق - عضو هیات علمی دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیرکبیر؛ تهران؛ ایران
سیدعلی میرحسنی - عضو هیات علمی دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیرکبیر؛ تهران؛ ایران

مساله دسته بندی یکی از انواع مسائل یادگیری ماشین با نظارت است و برای آن رویکردهای مختلفی مطرح شده است. در این مقاله، به بررسی رویکرد ماشین بردار پشتیبان توام (TSVM) می پردازیم که ایده آن برگرفته از روش ماشین بردار پشتیبان (SVM) است. تفاوت عمده TSVM و SVM آن است که در TSVM به جای یک ابرصفحه جداکننده، دو ابرصفحه هریک متناظر با یکی از دسته ها ایجاد می گردد. در این مقاله، ابتدا مدل های بهینه سازی متداول برای TSVM که در ادبیات مطرح شده اند، بررسی می گردند و سپس، در راستای بهبود آنها، مدل های بهینه سازی جدیدی ارائه می شوند. نتایج محاسباتی روی داده های واقعی و نیز داده های تصادفی، کارایی مدل های جدید را از نظر شاخص های مختلف تصدیق می کنند.

ماشین بردار پشتیبان توام؛ مدل بهینه سازی نامحدب؛ شاخص های کارایی