یک روش برای کاهش طبقه بندی داده با استفاده از تکنیک وزن دهی در +SVM

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 801

This Paper With 10 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

TAES01_035

تاریخ نمایه سازی: 1 آذر 1394

Abstract:

در تکنیک وزن دهی +SVM، کاهش طبقه بندی داده ها یکی از موارد مهم می باشد. در این مقاله یک روش برای کاهش طبقه بندی داده ها با استفاده از تکنیک وزن دهی در +SVM را ارائه داده ایم که با درنظر گرفتن یک منبع پارامترها به تابع صلاحیتی رسیده و با 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 درنظر گرفتن پارامترهای توانستیم با قسمت بندی داده ها، داده های تکراری را کاهش داده و در نهایت با وجود 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) , داده های تکراری (Duplicate Data) , چگالی (Density) , حد آستانه (TD)

Authors

زهرا جعفری

دانشجوی کارشناسی ارشد مهندسی کامپیوتر، دانشگاه پیام نور

آرش قربان نیا دلاور

عضوهیئت علمی 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 :
  • _ Vapnik, A. Vashist, N. Pavlovitch, Learning using hidden information: ...
  • V. Vapnik, A. Vashist, A new learning paradigm: learning using ...
  • J. Feyereisl, U. Aickelin, Privileged information for data clustering, Inf. ...
  • /4] B. Ribeiro, C. Silva, A. Vieira, A. Gaspar-Cunha, J. ...
  • L. Liang, V. Cherkassky, Connection between SVM- and multi-tasf learning, ...
  • /6] D. Pechyony, R. Izmailov, A. Vashist, V. Vapnik, SMO-style ...
  • D. Pechyony, V. Vapnik, Fast optimization algorithms for solving SVM+, ...
  • /8] D. Pechyony, V. Vapnik, On the theory of learning ...
  • Y. LeCun, L. Bottou, Y.Bengio, P. Haffmer, Gradien t-based learning ...
  • gwap, ESP game. http ://www.gwap. com/gwap/gam esPre view/espga me/ (accessed ...
  • M. Guillaumin, T. Mensink, J. Verbeek, C. Schmid, Tagprop: discriminative ...
  • M. Guillaumin, Features and tags for ESP game. http://lear. in ...
  • D. Tran, A. Sorokin, Human activity recognition with metric learning, ...
  • L. Gorelick, M. Blank, E. Shechtman, M. Irani, R. Basri, ...
  • 37Steps, PRTools: pattern recognition tools. _ 3 _ _ (accessed ...
  • K. Matsuoka, Noise injection into inputs in b ack-propaga tion ...
  • I.B.V. da Silva, P.J.L. Adeodato, PCA and Gaussian noise in ...
  • R.W. Yeung, A First Course in Information Theory, Kluwer/Plen um, ...
  • D. Pascual, F. Pla, J.S. SAchez, Cluster validation using information ...
  • V.N. Vapnik, The Nature of Statistical Learning Theory, Springer- Verlag, ...
  • R.S. Smith, J. Kittler, M. Hamouz, J. Illingworth, Face recognition ...
  • T. Joachims, Making large-scale support vector machine learning practical, in:B. ...
  • F.Chang, C. Y. Guo, X.R.Lin, C.J.Lu, Treedecompos itionforlarge -scaleS VM ...
  • O. A m ayri, N. Bougu ila, A studyofspa mfiltering ...
  • sem _ ticsim ilarityb etweenwords, IEEETrans. Knowl. DataEng. 23 (7) ...
  • M.M. Rahman, S.K.Antani, G.R. Thoma, _ learn ing-basedsim ilarityfusion and ...
  • H. Sahbi, J. Y.A udibert, R.Keriven, ...
  • Con text-dependen tkern elsforobject classification, IEEETrans. PatternA nal.Mach .Intell. 33 ...
  • نمایش کامل مراجع