طبقهبندی داده توسط ماشین بردار پشتیبان افزایشی بهبود یافته مبتنی بر حفظ مرز کلاس

امروزه به واسطه بزرگ شدن بانک های اطلاعاتی و حجم زیاد داده، امکان دسته بندی داده ها و استخراج داده های مفیداز آنها به سادگی وجود ندارد، به همین دلیل استخراج داده های مفید چالش بزرگیبرای شرکتها، کارخانه ها، فروشگاه ها و مراکز تجاری بزرگ بوده است. با توجه به حجم زیاد دادهدر بانکهای اطلاعاتی، امکان تفکیک و طبقه بندی داده توسط انسان غیرممکن است. بنابراین استفاده از سازوکار والگوریتمی جهت تفکیک ودسته بندی آنها ضروری به نظر می رسد. روش های مختلفی جهت دسته بندی داده ها وجود داردکه با توجه به نوع داده و بانک اطلاعاتی مورداستفاده قرار می گیرد. ازآنجاییکه امکان طبقه بندی داده در حجم زیاد دادهوجود ندارد، ابتدا باید به یکی از روشهای کاهش داده، حجم داده ها را کاهش داد و سپس طبقه بندی را روی آنها انجامداد. بنابراین انتخاب روشی که بتواند بهترین مرز تصمیم را به دست آورد از اهمیت بالایی برخوردار است. تمامی محققینیکه بر روی ماشین بردار پشتیبان افزایشی به منظور کاهش داده کار می نمایند، سعی بر آن دارند تا در هر مرحله افزایش ازمیان داده های وارده جدید، داده هایی را انتخاب نمایند تا هر چه بیشتر نزدیک مرز تصمیم باشند تا شانس بیشتری برایبردار پشتیبان شدن را داشته باشند. روش ارایه شده به دلیل اینکه سعی دارد با دقت بیشتری نزدیکترین داده ها به مرزتصمیم را انتخاب نماید، شانس بیشتری برای یافتن بردارهای یپشتیبان در مراحل افزایش بعدی دارد. روشپیشنهادی Incremental Class Boundary Preserving( ICBP) طبقه بندی داده با حفظ مرز کلاس توسط ماشین بردار پشتیبان افزایشی بهبود یافته نام دارد که در آن داده های آموزشی به صورت مرحله ای و گزینشی توسط روش ICBP جهت طبقه بندی توسط ماشین بردار پشتیبان به لیست افزوده می شوند. نتایج آزمایشات نشان میدهند که روش ارایه شده نتایج بهتری نسبت به سایر روش های ارایه شده قبلی دارد.

Keywords:

ماشین بردار پشتیبان , شرایط KKT , کلاسترینگ , طبقه بند , انتخاب ویژگی , کاهش داده