ترجمه مقاله با عنوان ماشین بردار پشتیبانی فاز با عدم قطعیت پارامتر C
چکیده
در برنامه تشخیص الگو معمولی، معمولا تنها برخی از دانش مبهم و کلی در مورد وضعیت وجود دارد. طبقه بندی بهینه، پس از آن، قطعا سخت برای توسعه خواهد بود اگر تابع تصمیم فاقد دانش کافی باشد. هدف از آزمایش های ما استخراج برخی از ویژگی های از سوی برخی از تحولات مناسب از مجموعه آموزش می باشد. در این مقاله، فرض است که نمونه آموزش از یک توزیع گاوسی گرفته شده است. همچنین، فرض می شود که اگر مجموعه داده را در یک وضعیت مبهم قرار دهیم، تداخل کلاس، می تواند آن را توسط مجموعه های فازی ارائه شده مورد بررسی قرار دهد. نتایج نشان داد که ظرفیت یادگیری قدرتمند: ماشین بردار پشتیبانی فازی با عدم اطمینان از پارامتر C (FSVMs-UPC) پیشنهاد شد. در اینجا آن نشان داد که هر نقطه داده با ضریب پارامتر فردی ارزشمند بوده است. نتایج تجربی نشان می دهد که روش ارائه شده یک راه بهتر برای به تعویق انداختن یا اجتناب از برازش است، و آن را نیز از کیفیت مدل انتخاب شده اندازه گیری می کند .
ماشین بردار پشتیبانی SVM به طور گسترده به عنوان یک روش طبقه بندی، که از این ایده از ابرصفحه بهینه تعمیم با حداکثر حاشیه بین دو کلاس مشتق شده استفاده می شود. این ایده را می توان برای به حداقل رساندن خطر ابتلا به ساختاری (SRM) اصل اجرا کرد. از آنجا که SVM ها در واقع می تواند به مشکلات یادگیری بهینه سازی محدب مرتبط شود مراجعه کنید، توجه زیادی را اخیرا دریافت کرده است. شرح ساده الگوریتم SVM ها این است که در اصل SRM مجسم برای توصیف کردن بین پیچیدگی مدل و کیفیت مدل در نهایت انتخاب و آن را Vapnik (1998) مطرح می سازد. اما به طور کلی بعید است که انتظار رود که طبقه بندی SVM طبقهبندی نادرست است (بیشبرازش) در حالی که هنوز هم حفظ کیفیت از مدل وجود دارد. این امر می تواند با یک نوع از دو هدف ضد و نقیض مربوط باشد، اما عملکرد تعمیم در فرایند یادگیری است و پیش بینی آن مربوط به قابلیت داده ها از آزمون مستقل است.
Fuzzy support vector machines with the uncertainty of parameter C
In typical pattern recognition applications, there are usually only some vague and general knowledge about the situation. An optimal classifier, then, will be definitely hard to develop if the decision function lacks sufficient knowledge. The aim of our experiments was to extract some features by some appropriate transformation of the training set. In the paper, we assumed that the training samples were drawn from a Gaussian distribution. Also, assumed that if the data sets are in an imprecise situation, such as classes overlap, it can be represented by fuzzy sets. Results showed a powerful learning capacity: the fuzzy support vector machines with the uncertainty of parameter C rule (FSVMs-UPC) was proposed. Here it indicated that each data point had individual parameter coefficient been valuable. The experimental results show that the proposed method is a better way to postpone or avoid overfitting, and it also gives us a measure of the quality of the ultimately chosen model.
لینک مقاله اصلی:
https://www.sciencedirect.com/science/article/abs/pii/S0957417408005915
لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد