کاهش اندازه مجموعه داده های بزرگ جهت طبقه بندی توسط SVM

یک تحقیق مناسب دانشجویان کارشناسی و کارشناسی ارشد در زمینه کاهش اندازه مجموعه دادههای بزرگ جهت طبقه بندی توسط SVM تهیه شده رو میتونید بعد از پرداخت محصول دانلود و استفاده نمایید.

ماشين بردار پشتيبان (SVMs) از روش هاي خوب براي طبقه بندي و تجزيه و تحليل رگرسيون مي باشند به دليل توابع رياضي كه انتقال چند خواص برجسته است كه روشهاي ديگر به سختي فراهم مي كند. با اين حال، با وجود خواص برجسته SVMs آنها براي داده هاي بزرگ در مقياس مورد علاقه يادگيري براي به رسميت شناختن الگو و يا دستگاه به دليل پيچيدگي آموزش SVMs به شدت به اندازه مجموعه داده وابسته است. بسياري از برنامه هاي كاربردي داده كاوي در دنياي واقعي شامل ميليون ها يا ميلياردها پرونده داده كه در آن حتي اسكن چندگانه تمام داده ها بيش از حد گران است انجام مي شوند. اين مقاله يك روش جديد، مبتني بر خوشه SVM (CB-SVM) است كه به طور خاص براي كار با مجموعه داده هاي بسيار بزرگ طراحي شده است. CB-SVM اعمال مي شود يك الگوريتم ميكرو خوشه بندي سلسله مراتبي است كه تنظيم اسكن تمام داده ها فقط يك بار به ارائه SVM با نمونه هاي با كيفيت بالا كه حمل خلاصه آماري از SVM داده به طوري كه خلاصه به حداكثر رساندن سود از يادگيري CB-SVM . تلاش مي كند به توليد بهترين مرز SVM را براي داده هاي بسيار بزرگ مجموعه گفته شده مقدار محدود از منابع است . آزمايشات ما بر روي داده هاي واقعي و مصنوعي مجموعه نشان مي دهد كه CB-SVM بسيار مقياس پذير است براي مجموعه داده هاي بسيار بزرگ و براي توليد طبقه بندي با دقت بالا.