14- پروژه آماده: بررسی ماشین بردار پشتیبان SVM و عملکرد آن¬ها در مسائل مربوط به دسته بندی - 36 صفحه فایل ورد (Word)

فهرست مطالب

1 مقدمه4

2 حد بالا برای تعمیم‌پذیری کارایی یک ماشین یادگیر در شناسایی الگو5

3 بعد VC6

3 – 1 نقاط خردشونده با صفحات در فضای Rn7

3-2 بعد VC و تعداد پارامترها9

4 ماشین‌های بردار پشتیانی خطی، مورد جدایی‌پذیر11

4-1 Karush-Kuhn-Tucker18

4-2 تست20

4-3 شرایط جدایی ناپذیر21

5 بردارهای پشتیبان غیرخطی24

5-1 شرایط Mercer27

6 راه حل‌های فراگیر و یکتایی30

7 روش‌های حل31

8 بعد VC ماشینهای بردار پشتیبان32

8-1 بعد VC مربوط به کرنلهای RBF (Radial Basis Function)34

9 مراجع36

در این گزارش به بررسی بردارهای پشتیبان خطی و عملکرد آن­ها در مسائل مربوط به دسته بندی می­پردازیم. استفاده از بردارهای پشتیبان خطی (SVM's) در مسائل دسته بندی، رویکرد جدیدی است که در چند ساله اخیر مورد توجه بسیاری قرار گرفته است و از آن در طیف وسیعی از کاربردها از جمله OCR، تشخیص دستخط، تشخیص علائم راهنمایی و ... استفاده کرده­اند. رویکرد SVM به این صورت است که در فاز آموزش، سعی می­شود که مرز تصمیم گیری (Decision Boundry) به گونه­ای انتخاب گردد که حداقل فاصله آن با هر یک از دسته­های مورد نظر ماکزیمم گردد. این نوع انتخاب باعث می­شود که تصمیم گیری ما در عمل، شرایط نویزی را به خوبی تحمل کند و پاسخ دهی خوبی داشته باشد. این نحوه انتخاب مرز بر اساس نقاطی به نام بردارهای پشتیبان انجام می­شود. در این گزارش ما ابتدا مفاهیمی چون تعمیم پذیری یک ماشین شناسایی الگو و بعد VC را که کاربرد زیادی در مفاهیم ماشین­های دسته بندی دارند بررسی می­کنیم و سپس به توضیح بردارهای پشتیبان خطی، غیر خطی و توابع کرنل می­پردازیم. در نهایت نیز بعد VC را برای برخی از این توابع مورد مطالعه قرار می­دهیم