حمید خواجه وند - دانشجوی کارشناسی ارشد علوم کامپیوتر گرایش علوم تصمیم و مهندسی دانش موسسه آموزش عالی مهرالبرز تهران
حامد رضایی - دانشجوی کارشناسی ارشد علوم کامپیوتر گرایش علوم تصمیم و مهندسی دانش موسسه آموزش عالی مهرالبرز تهران
علی رضا جهانی - استادیارموسسه آموزش عالی مهرالبرز تهران
سوگل ربیعی ساوجی - کارشناس ارشد مهندسی فناوری اطلاعات گرایش مدیریت سیستم های اطلاعاتی موسسه آموزش عالی مهرالبرز تهران

همواره جستجو درمیان حجم عظیم داده هاامری دشوار بودها ست به همین منظور پژوهشگران همواره به دنبال راهکارهایی هستند تابتوانند سرعت جستجوی خود را افزایش دهند برای جستجوی بهتر اغلب ازالگوریتم های یادگیری ماشین استفاده میشود ازمیان تمام این الگوریتم ها روش ماشین بردارپشتیبان یکی ازبرجسته ترین روشها دراین حوزه است اینروش بامشکل زمان زیاد برای محاسبه بردارهای پشتیبان درمواجه با داده های حجم بالا و پیچیده است یکی ازرایج ترین روشها جهت افزایش سرعت این دسته بند حذف داده های افزونه می باشد که اغلب حذف این داده ها بااستفاده ازروشهای خوشه بندی صورت گرفته است درپژوهش حاضر علاوه برحذف خوشه های افزونه بااستفاده ازتحلیل تمایز فیشرروشی جهت حذف داده های افزونه موجود درخوشه های باقیمانده ارایه شدها ست که سرعت این دسته بند را باحفظ دقت افزایش میدهد نتایج ازمایشها برروی پایگاه داده های Covtype Adult-a9 حاکی ازصحت دسته بندی مناسب به همراه کاهش چشمگیر درسرعت اجرا می باشد الگوریتم پیشنهادی تنها بااستفاده از77% زمان اجرای LIBSVM عمل دسته بندی رابرروی پایگاه داده Covtypeانجام میدهد

افزونگی داده ها، الگوریتم های یادگیری ماشین، ماشین بردارپشتیبان، تحلیل تمایز فیشر