پروژه آموزشی طبقه بندی SVM به کمک RBF با ویژگی های ماتریس داده با متلب

توضیحات

 طبقه بندی SVM به کمک RBF با ویژگی های ماتریس داده با متلب

در این پروژه پياده سازي SVM در طبقه بندي با ويژگي هاي ماتريس داده با حجم بالا، مسئله اي با تعداد Feature هاي بالا (دسته بندي 1 دسته در مقابل ساير دسته ها)، کرنل مناسب (استفاده از RBF براي دسته بندي) انجام شده است.

دانلود دیتاست مناسب با فرمت تولباکس LIBSVM از آدرس زیر انجام می­شود(کادرآبی­رنگ).

در کادر سبزرنگ دو لینک به منظور دانلود داده وجود دارد که لینک اول مربوط به داده­هایی است که به منظور آموزش کلاس­ بندی SVM استفاده خواهد شد(نزدیک به 2.6 گیگابایت : در حالت غیرفشرده) و لینک دوم هم شامل داده­هایی به منظور تست کلاس­بند(نزدیک به 150 مگابایت: در حالت غیرفشرده) می­باشد.

داده­های آموزشی(kdda) و داده­های تست از این مجموعه داده دارای 20216830 ویژگی می­باشند. تعداد نمونه­ها در فاز آموزشی برابر 8407752 می­باشد و در فاز تست تعدا نمونه­ها برابر 510320 داده است. این دیتاست از لینک زیر قابل دانلود است :

http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/binary.html

• دانلود ابزار libsvm و نحوه نصب

می­توان برای دانلود کتابخانه­ی LIBSVM  به آدرس زیر رفت:

http://www.csie.ntu.edu.tw/~cjlin/libsvm/oldfiles/index-1.0.html

و با کلیک برروی کادرآبی­رنگ می­توان آن را دانلود کرد.

…

ماشین بردار پشتیبان

 یکی از روش‌های یادگیری بانظارت است که از آن برای طبقه‌بندی و رگرسیون استفاده می‌کنند.

این روش از جملهٔ روش‌های نسبتاً جدیدی است که در سال‌های اخیر کارایی خوبی نسبت به روش‌های قدیمی‌تر برای طبقه‌بندی از جمله شبکه‌های عصبی پرسپترون نشان داده است. مبنای کاریدسته‌بندی کنندۀ SVM دسته‌بندی خطی داده‌ها است و در تقسیم خطی داده‌ها سعی می‌کنیم خطی را انتخاب کنیم که حاشیه اطمینان بیشتری داشته باشد. حل معادله پیدا کردن خط بهینه برای داده‌ها به وسیله روش‌های QP که روش‌های شناخته شده‌ای در حل مسائل محدودیت‌دار هستند صورت می‌گیرد. قبل از تقسیمِ خطی برای اینکه ماشین بتواند داده‌های با پیچیدگی بالا را دسته‌بندی کند داده‌ها را به وسیلهٔ تابعِ phi به فضای با ابعاد خیلی بالاتر می‌بریم. برای اینکه بتوانیم مسئله ابعاد خیلی بالا را با استفاده از این روش‌ها حل کنیم از قضیه دوگانی لاگرانژ برای تبدیلِ مسئلهٔ مینیمم‌سازی مورد نظر به فرم دوگانی آن که در آن به جای تابع پیچیدهٔ phi که ما را به فضایی با ابعاد بالا می‌برد، تابعِ ساده‌تری به نامِ تابع هسته که ضرب برداری تابع phi است ظاهر می‌شود استفاده می‌کنیم. از توابع هسته مختلفی از جمله هسته‌های نمایی، چندجمله‌ای و سیگموید می‌توان استفاده نمود.

یکی از معروفترین خودآموزها مربوط به است.

 طبقه بندی SVM به کمک RBF با ویژگی های ماتریس داده با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.