8850

ماشين بردارهاي پشتيبان افزايشي مبتني بر نمونه‌برداري وابسته بر اساس زنجيره ماركوف

كارشناسي

مهندسي برق - مخابرات

1402

دكتر شاهرخ فرهمند

-

1402/08/16

مهندسي برق

Incremental Support Vector Machines based on Markov Chain Resampling Technique

SVM يك الگوريتم يادگيري ماشين است كه به عنوان يك ابزار قوي براي دسته‌بندي مورد استفاده قرار مي‌گيرد. در اين الگوريتم ايده اصلي ايجاد يك صفحه (يا بعدا،ً فضايي چندبعدي) جداكننده براي داده‌هاي مختلف مي‌باشد. به طور خاص، SVM سعي مي‌كند يك مرز تصميم‌گيري به گونه‌اي ايجاد كند كه داده‌هاي دو دسته مختلف را از يكديگر جدا كند و در عين حال به حداكثر فاصله ممكن از نمونه‌هاي آموزشي و مرز تصميم، دست پيدا كند. ISVM نوعي از ماشين‌هاي بردار پشتيبان (Incremental SVM) است كه به منظور مقابله با چالش‌هايي كه وقتي داده‌ها بسيار زيادند يا داده‌ها به صورت متوالي وارد سيستم مي‌شوند وجود دارد، توسعه يافته است. ISVM به طور پويا با داده‌هاي ورودي در طول زمان آموزش مي‌بيند. در مواجهه با حجم زياد داده‌ها يا ورود پويا داده‌ها، SVM معمولي پيچيدگي بسيار بالايي خواهد داشت. در الگوريتم RIS-ISVM داده‌هايي كه قرار است به صورت بي درنگ وارد سيستم شوند و طبقه‌بندي كننده با آن‌ها آموزش ببيند، به صورت تصادفي و مستقل از يكديگر انتخاب مي‌شوند. برخلاف RIS-ISVM كه نمونه‌ها را تصادفي و با احتمال يكسان انتخاب مي‌كند، در MR-ISVM ، هر نمونه داده با يك حالت در يك زنجيره ماركوف متناظر است. به عبارت ساده‌تر، هر نمونه داراي يك تاريخچه‌ي وضعيت است. در واقع، MR-ISVM تلاش مي‌كند نمونه‌هاي آموزنده را انتخاب كند. به عبارت ديگر، نمونه‌هايي كه با توجه به داده‌هاي انتخاب شده گذشته احتمال بالاتري براي مهم بودن دارند، شانس بيشتري براي انتخاب شدن دارند؛ سپس، مدل طبقه‌بندي كننده با استفاده از نمونه‌هاي انتخاب شده و برچسب‌هاي متناظر با آن‌ها به‌روزرساني مي‌شود. به طور خلاصه، MR-ISVM از ويژگي‌هاي زنجيره ماركوف براي انتخاب نمونه‌هاي موثرتر در يادگيري استفاده مي‌كند. اين الگوريتم به ويژه در مواردي كه داده‌ها داراي وابستگي‌هاي مياني يا توالي‌هاي زماني هستند، مؤثر است.

يادگيري افزايشي , ماشين بردارهاي پشتيبان , زنجيره ماركوف