پنج شنبه 23 مرداد 1399 | Thursday 13 th of August 2020 صفحه اصلی گروه الکترونیکی کامپیوتر
3-2-2-1-4 ماشین بردار پشتیبان

ماشین بردار پشتیبان یک مجموعه از متدهای یادگیری باناظر[1] است که برای طبقه‌بندی[2]و رگرسیون استفاده می‌شود. ماشین بردار پشتیبان در سال 1992 توسط Vapnikو Chervonenkis(Vapnik 1998)بر پایه­ی تئوری یادگیری اماری[3] معرفی شد. در اصل ماشین بردار پشتیبان یک موجودیت ریاضی است، یک الگوریتم برای ماکزیمم کردن تابع ریاضی با توجه به مجموعه داده‌های موجود می‌باشد. شهرت ان به خاطر موفقیتش در تشخیص حروف دست‌نویس است که با شبکه‌های عصبی پیچیده قابل قیاس می‌باشد.

در ماشین بردار پشتیبان مجموعه داده به صورت یک بردار Pبعدی دیده می‌شود که چنین نقاطی را می‌توان با یک ابرصفحه P-1بعدی جدا کرد. این عمل جداسازی خطی نامیده می‌شود. ابرصفحه‌های بسیاری وجود دارند که می‌توانند داده‌ها را جدا کنند. مفهوم اموزشی که اشیاء بتوانند به عنوان نقاط در یک فضای با ابعاد بالا دسته‌بندی شوند و پیدا کردن خطی که انها را جدا کند منحصربه‌فرد نیست. انچه ماشین بردار پشتیبان را از سایر جداکننده متمایز می‌کند چگونگی انتخاب ابرصفحه است. درماشین بردار پشتیبان ماکزیمم کردن حاشیه بین دو کلاس مدنظر است. بنابراین ابرصفحه‌ای را انتخاب می‌کند که فاصله­ی ان از نزدیک‌ترین داده‌ها در هر دو طرف جداکننده‌ی خطی، ماکزیمم باشد. اگر چنین ابرصفحه‌ای وجود داشته باشد، به عنوان ابرصفحه ماکزیمم حاشیه[4]شناخته می‌شود. شکل صفحه بعد این مفهوم را به صورت بصری نشان می‌دهد.


برای ساخت ماکزیمم حاشیه، دو صفحه مرزی موازی با صفحه جدا‌کننده رسم کرده ان دو را انقدر از هم دور می‌کنیم که به داده‌ها برخورد کنند. صفحه جدا کننده‌ای که بیشترین فاصله را از صفحات مرزی داشته باشد، بهترین جدا کننده خواهد بود.

تابع تصمیم‌گیری برای جدا کردن داده‌ها با یک زیر مجموعه­ای از مثال‌های اموزشی که بردارهای پشتیبان[5] نزدیک‌ترین دادههای اموزشی به ابرصفحه جدا کننده نامیده می‌شوند، تعیین می‌شود. در واقع ابرصفحه بهینه در ماشین بردار پشتیبان، جدا کننده­ای بین بردارهای پشتیبان است.

شکل 3-2بردارهای  پشتیبان

در صورت استفاده مناسب از ماشین بردار پشتیبان این الگوریتم قدرت تعمیم خوبی خواهد داشت.

علی رغم ابعاد زیاد از سرریز شدن[6] پرهیز می‌کند. همچنین به دلیل استفاده از بردارهای پشتیبان به جای کل داده‌ها، این الگوریتم فشرده سازی اطلاعات را نیز انجام می‌دهد



[1]Supervised learning

[2]classification

[3]Statistical Learning Theory

[5]Support vectors

[6]Over-fitting

Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26