روشی برای کاهش دسته بندی داده با وزن دهی داده ها در SVM+
Publish place: The Second National Congress of New Technologies of Iran with the aim of achieving sustainable development
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 555
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
SENACONF02_174
تاریخ نمایه سازی: 30 آبان 1394
Abstract:
SVM یک الگوریتم یادگیری مرتبط به تجزیه و تحلیل داده ها و تشخیص الگوهای مورد استفاده برای طبقه بندی می باشد و SVM+ نسخه کاربردی SVM است که تکیه ظریفی بر ارتباط بین داده های منظم و شاخص دارد، در تکنیک وزن دهی SVM+ ، کاهش طبقه آنها توانستیم اندازه بازه ها را به گونه ای تعریف کنیم و توانسته ایم طبقه بندی را نسبت به مطالعه موردی که بررسی شده کاهش دهیم. SVM+ را ارائه داده ایم که با در نظر گرفتن یک منبع پارامترها به تابع صلاحیتی رسیده و با در نظر گرفتن پارامتر حجم داده ها و چگالی آنها توانستیم اندازه بازه ها را به گونه ای تعریف کنیم و توانسته ایم طبقه بندی را نسبت به مطالعه موردی که بررسی شده کاهش دهیم.با در نظر گرفتن پارامترها توانستیم با قسمت بندی داده ها، داده های تکراری را کاهش داده و در نهایت با وجود حد آستانه در تابع هدف زمان پردازش را کاهش و سرعت را افزایش دهیم.
Keywords:
داده کاوی(Data Mining) , ماشین بردار پشتیبان (SVM (SUPPORT VECTOR MACHINE) ) , طبقه بندی داده (Data Classification) , چگالی(Density) , حد آستانه (Threshold(TD
Authors
زهرا جعفری
دانشجوی کارشناسی ارشد مهندسی کامپیوتر دانشگاه پیام نور
آرش قربان نیا دلاور
عضوهیات علمی گروه مهندسی کامپیوتر و فناوری اطلاعات دانشگاه پیام نور
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 :