دانلود پایان نامه درمورد ماشین بردار پشتیبان و الگوهای آموزشی


Widget not in any sidebars

شکل ‏410: طبقهبندی دادهها با استفاده از یک جداساز خطی، در دو دسته در فضای ویژگی
فصل مشترک بین فضای ویژگی و دستهکننده یک مرز تصمیم را تعریف میکند. به طوری که اگر آن را به فضای ورودی برگردانیم، به صورت شکل (4-11) در میآید. بنابراین انتقال دادههای ورودی به فضای ویژگی غیرخطی، آنها را به صورت خطی جداپذیر میکند. متاسفانه تشخیص فضای ویژگی مناسب برای هر مجموعه از دادهها به طوری که آنها را بتواند به صورت خطی جدا کند، نشدنی است و یافتن یک تابع ویژگی خوب در نتیجه یک فرآیند سعی و خطا است.
شکل ‏411: مرز تصمیم دو دسته پس از نگاشت آنها
توابع کرنل رایج
برای اینکه انواع مختلفی از ماشینهای بردار پشتیبان را بسازیم، باید کرنلهای مختلفی که شرایط مرسر را قانع کند، انتخاب کنیم.
(‏426)
در حالت خاص، میتوانیم از کرنلهای زیر برای تعیین دسته مربوط به هر الگو استفاده کنیم:
(‏427)
(‏428)
(‏429)
(‏430)
(‏431)
(‏432)
(‏433)
در نهایت تابع ممیّز به صورت زیر در میآید:
(‏434)
رگرسیون بردار پشتیبان (SVR)
رگرسیون بردار پشتیبان طبق شرایط زیر امکانپذیر است:
1) رگرسیون در مجموعه توابع خطی f(X)=w.X+b برآورد شود.
2) مساله برآورد رگرسیون را به مسأله مینیممسازی ریسکها براساس تابع -insensitive تعریف کنیم.
3) ریسک را با استفاده از اصل کمینهسازی خطای ساختاری مینیمم کنیم.
ماشین بردار پشتیبان در ابتدا برای شناسایی و طبقهبندی الگوها و سپس توسط واپنیک برای رگرسیون توسعه داده شد. که از یک تابع ارزش با حساسیت استفاده میکند. هدف SVR این است که یک تابع f(X) را برای الگوهای آموزشی X طوری تشخیص میدهد که مینیمم حاشیه و ماکزیمم انحراف را از مقادیر آموزشی y داشته باشد با استفاده از الگوهای آموزشی، SVR یک مدل را که بیانگر یک لوله با شعاع است، به دادهها فیت میکند.
رگرسیونگیری خطی
در ابتدا یک مجموعه آموزشی T با N الگو با مقادیر آموزشی بدست آمده برای آنها را، با یکدیگر مقایسه و بررسی میکنیم.
(‏435)
حالت رگرسیون خطی با حاشیه سخت با تابع f(X)=w.X+b نشان داده میشود. برای این مورد ساده، SVR به صورت زیر بیان میشود: