لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : .ppt ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 39 اسلاید
دسته بندی با استفاده از مدل های خطی
دسته بندی
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 جداپذیر 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
فهرست مطالب و اسلایدها:
دسته بندی
مسایل جدا پذیر خطی
تقسیم بندی مدلها به صورت احتمالاتی
تابع هدف
تبدیل رگراسیون خطی به دسته بندی کننده خطی
تابع جداساز
مسایل چند کلاسی
اثبات محدب بودن سطوح تصمیم گیری
دسته بندی با استفاده از کمترین مربع خطا
تعیین پارامترها با استفاده از روش Least squares
معایب روش least sqaure
ایده اصلی فیشر
فرمول فیشر
ارتباط فیشر با حداقل مربعات
جدا ساز فیشر برای مسایل چند کلاسی
الگوریتم پرسپترون
قانون یادگیری پرسپترون
محدودیت های پرسپترون
خلاصه
دسته بندی : پاورپوینت
نوع فایل : .ppt ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 39 اسلاید
قسمتی از متن اسلاید ها :
دسته بندی با استفاده از مدل های خطی
دسته بندی
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 جداپذیر 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
فهرست مطالب و اسلایدها:
دسته بندی
مسایل جدا پذیر خطی
تقسیم بندی مدلها به صورت احتمالاتی
تابع هدف
تبدیل رگراسیون خطی به دسته بندی کننده خطی
تابع جداساز
مسایل چند کلاسی
اثبات محدب بودن سطوح تصمیم گیری
دسته بندی با استفاده از کمترین مربع خطا
تعیین پارامترها با استفاده از روش Least squares
معایب روش least sqaure
ایده اصلی فیشر
فرمول فیشر
ارتباط فیشر با حداقل مربعات
جدا ساز فیشر برای مسایل چند کلاسی
الگوریتم پرسپترون
قانون یادگیری پرسپترون
محدودیت های پرسپترون
خلاصه