2-4- 3-1- SVM خطی و غیرخطی

ماشین بردار پشتیبان، یک ماشین فراگیر با ناظر مبتنی بر تئوری فراگیری آماری[1] می باشد؛ که برای طبقه‌بندی دو یا چند کلاسه، برای تخمین تابع (رگرسیون[2])، تشخیص الگو، آشکارسازی سیگنال و غیره مورد توجه قرار گرفته می باشد. به­گونه کلی می­توان گفت SVM از یک ابر صفحه خطی تصمیم­گیر برای جداسازی الگوها از هم بهره گیری می­کند. روش­های کلاسیک تشخیص الگو اکثرا براساس حداقل کردن مقدار قدر مطلق خطا روی داده­های آموزشی، و یا حداقل کردن مجذور خطا روی این داده ها، تابع مناسب تفکیک­گر را بدست می­آوردند. این در حالی می باشد که  SVMسعی می­کند خطا را به شکل ساختاری حداقل کند[40-38]. در SVM، حد بالای مخاطره[3] در این سیستم با یک احتمالی، کوچک خواهد بود و به این ترتیب خطا نه فقط روی الگوهای آموزشی بلکه روی الگوهای آزمایشی نیز حداقل خواهد گردید. (پس SVM دارای خاصیت تعمیم‌یافتگی بسیار بالایی می باشد).

ایده­ی اولیه SVM مربوط به دسته بندی داده­های آموزشی می­گردید که با بهره گیری از یک ابرصفحه قابلیت تفکیک شدن به دو گروه را تنها برای حالت خاصی که داده های آموزشی (بدون خطا، خطی و تفکیک پذیر)، تعریف گردید؛ داشتند. در ادامه، این روش برای حالت کلی برای مسائل چند کلاسه که داده­ها کاملا تفکیک پذیر نیستند نیز، بسط داده گردید. نظریه­ی SVM، با این فرض که تابع تفکیک­گر در فضای ورودی می­تواند غیر خطی هم باشد؛ تکمیل گردید. نظریه­ی­ اقدام­نمود شبکه­های بردار تکیه گاه[4] یا همان ماشین­های بردار تکیه­گاه، به این ترتیب کامل گردید که آغاز بردارهای ورودی به شکل غیر خطی به یک فضای جدید، با ابعاد بزرگ­تر نگاشت داده می­شوند. بعد در این فضای جدید سطوح خطی تصمیم­گیر ساخته می­شوند.

این مطلب رو هم توصیه می کنم بخونین:   دانلود پایان نامه درباره جایابی بهینه خازن با هدف بهبود پروفیل ولتاژ و کمینه¬سازی تلفات توان شبکه توزیع واقعی

 متن فوق بخش هایی از این پایان نامه بود

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد

می توانید به لینک زیر مراجعه نمایید:

دسته‌ها: دسته‌بندی نشده