فایل ورد کامل کاهش تعداد طبقه بندی کننده های فرعی برای ماشین های بردار پشتیبانی چند مقوله ای دو به دو

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل کاهش تعداد طبقه بندی کننده های فرعی برای ماشین های بردار پشتیبانی چند مقوله ای دو به دو،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۷ صفحه

۶- نتیجه گیری ها
ما در این مقاله یک روش مبتنی بر نمونه برداری عدم قطعیت یا همان US_MSVM را پیشنهاد می دهیم تا مشکلات دسته بندی چند مقوله ای را حل کنند . دسته کننده های فرعی در روش جدید به منظور اهمیت هایشان اموزش می بینند و آن دسته کننده های فرعی سودمند نادیده گرفته می شوند . راهبرد نمونه برداری عدم قطعیت استفاده می گردد تا تصمیم گیری گردد کدام نمونه ها بایستی در دور بعدی اموزش ببینند . نتیجه نهایی در زمان تست کردن یک ایده یکپارچه کننده دسته کننده های فرعی آموزش دیده می باشد .
نتایج آزمایشی در مجموعه داده های واقعی نشان می دهند که Precision و Recall از US_MSVM با موارد دو به دو در وضعیتی قابل مقایسه هستند که دور آموزش بسیار کمتر از دو به دو می باشد . US_MSVMرا می توان همانند نوع تعویض شده دو به دو استفاده نمود .

عنوان انگلیسی:Reducing the number of sub-classifiers for pairwise multi-category support vector machines~~en~~

۶ Conclusions

In this paper, we propose a novel uncertainty samplingbased method, US_MSVM, to solve multi-category classi- fication problems. In the new method, sub-classifiers are trained in order of their significances and those unhelpful sub-classifiers are ignored. The uncertainty sampling strategy is used to decide which samples should be trained in the next round. When testing, the final result is the integrative opinion of all trained sub-classifiers. Experimental results on real-world data set show that, Precision and Recall of US_MSVM are comparable to those of pairwise in the condition that the training round is much less than that of the pairwise. The US_MSVM can be used as a substituted version of pairwise.

$$en!!