فرمت فایل :powerpoint (لینک دانلود پایین صفحه) تعداد صفحات 39 صفحه
- در مسایل دسته بندی یک بردار ورودی X به یکی از K کلاس مجزای Ck اختصاص داده میشود.
- برای این کار فضای ورودی به نواحی تصمیم گیری تقسیم بندی میشود که مرزهای آنرا سطوح تصمیم گیری می نامند.
- در این فصل مدل هایی بررسی میشوند که سطوح تصمیم گیری از توابع خطی تشکیل میشوند. برای جدا سازی فضای ورودی D بعدی از ابرصفحه های D-1 بعدی استفاده میشود.
مسایل جدا پذیر خطی
- مجموعه داده هایی که با یک سطح تصمیم گیری خطی جداپذیر هستند linearly separable یا جداپذیر خطی نامیده میشوند.
- یک دسته بندی کننده خطی برای دسته بندی داده ها از ترکیب خطی ویژگی ها استفاده میکند.
- دسته بندی کننده خطی بسیار سریع عمل میکند و برای داده ها با ابعاد بالا کارائی خوبی دارد. (البته درخت تصمیم میتواند سریعتر عمل نماید.)
- دو روش کلی برای تعیین پارامترهای دسته بندی کننده های خطی وجود دارد:
- Generative models
- این روش ها بر اساس مدل سازی توابع چگالی شرطی عمل میکنند نظیر
- Naive Bayes classifier که در آن از فرض استقلال شرطی استفاده میشود.
- discriminative models
در این روش ها از یک مدل جدا کننده استفاده میشود که سعی در افزایش کیفیت خروجی بر اساس داده های آموزشی دارد. نظیر:
- Logistic regression
که در آن مدل بر این اساس بدست می آید که داده مشاهده شده توسط مدلی ساخته شده که توسط خروجی قابل توصیف است
- Perceptron
که در آن سعی در کاهش خطای مشاهده شده در داده آموزشی است
- Support vector machine
- که در آن سعی در افزایش فاصله مرزی سطوح تصمیم گیری و داده های آموزشی است
پاورپوینت در مورد دسته بندی با استفاده از مدل های خطی