ترجمه مقاله کاهش تعداد طبقه بندی کننده های فرعی برای ماشین بردار پشتیبانی چند مقوله ای دو به دو – نشریه الزویر

عنوان فارسی: | کاهش تعداد طبقه بندی کننده های فرعی برای ماشین های بردار پشتیبانی چند مقوله ای دو به دو |
عنوان انگلیسی: | Reducing the number of sub-classifiers for pairwise multi-category support vector machines |
تعداد صفحات مقاله انگلیسی : 6 | تعداد صفحات ترجمه فارسی : 13 |
سال انتشار : 2007 | نشریه : الزویر - Elsevier |
فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
کد محصول : 7926 | رفرنس : دارد |
محتوای فایل : zip | حجم فایل : 1.63Mb |
رشته های مرتبط با این مقاله: مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله: هوش مصنوعی، مهندسی الگوریتم ها و محاسبات |
مجله: اسناد های تشخیص الگو - Pattern Recognition Letters |
دانشگاه: گروه علوم و مهندسی کامپیوتر، دانشگاه شانگهای JiaoTong، چین |
کلمات کلیدی: SVM، طبقه بندی چند طبقه ای، نمونه گیری غیر قابل اطمینان |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است |
1 – مقدمه
2 – SVM چند دسته ای
3 – نمونه برداری عدم قطعیت
4 – MSVM مبتنی بر نمونه برداری عدم قطعیت
5- نتایج آزمایشی
6- نتیجه گیری ها
Abstract
Among the SVM-based methods for multi-category classification, ‘‘1-a-r’’, pairwise and DAGSVM are most widely used. The defi- ciency of ‘‘1-a-r’’ is long training time and unclassifiable region; the deficiency of pairwise and DAGSVM is the redundancy of sub-classifiers. We propose an uncertainty sampling-based multi-category SVM in this paper. In the new method, some necessary sub-classifiers instead of all N · (N 1)/2 sub-classifiers are selected to be trained and the uncertainty sampling strategy is used to decide which samples should be selected in each training round. This uncertainty sampling-based method is proved to be accurate and efficient by experimental results on the benchmark data.
درمیان روش های مبتنی بر SVM برای دسته بندی چند مقوله ای ، رایج ترین موارد عبارتند از ‘‘1-a-r’ ، دو به دو و DAGSVM . عیب ‘‘1-a-r’ در واقع زمان اموزش طولانی و منطقه غیر قابل دسته بندی می باشد ؛ عیب روش دو به دویی و DAGSVM در واقع اضافه بودن دسته کننده های فرعی می باشد . ما SVM چند مقوله ای مبتنی بر نمونه بداری با عدم قطعیت را در این مقاله معرفی می کنیم . تعدادی از دسته کننده های فرعی ضروری بجای کل دسته کننده های فرعی N X (N 1)/2 انتخاب می شوند تا آموزش ببینند و راهیرد نمونه برداری مبهم برای تصمیم گیری استفاده می گردد که نمونه ها بایستی در هر دور آموزش انتخاب گردند . این روش مبتنی بر نمونه برداری مبهم ثابت می گردد که بواسطه نتایج آزمایشی در داده های محک زنی دقیق و کافی می باشد .
محصولات مشابه
