پاورپوینت درباره مسایل جدا پذیر خطی

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

نوع فایل :  .ppt ( قابل ویرایش و آماده پرینت )

تعداد اسلاید : 39 اسلاید

 قسمتی از متن .ppt : 

1

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.

2

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.)

3

داده جدا پذیر خطی

دسته بندی کننده غیرخطی

دسته بندی کننده خطی

Generative models vs. discriminative models

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

4

پاورپوینت درباره مسایل جدا پذیر خطی

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

نوع فایل :  .ppt ( قابل ویرایش و آماده پرینت )

تعداد اسلاید : 39 اسلاید

 قسمتی از متن .ppt : 

1

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.

2

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.)

3

داده جدا پذیر خطی

دسته بندی کننده غیرخطی

دسته بندی کننده خطی

Generative models vs. discriminative models

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

4