الگوریتم ماشین بردار پشتیبان SVM

الگوریتم ماشین بردار پشتیبان SVM

 زنگ و همکاران در سال ۲۰۱۴ در تحقیقی دیگر برای استخراج ویژگی‌های مناسب SVM و K-means را معرفی کردند. در پژوهش آن‌ها الگوریتم K-means به‌طور جداگانه برای شناسایی الگوهای پنهان در تومورهای خوش‌خیم و بدخیم به کار گرفته می‌شود.

درجه عضویت هر تومور به هر یک از این الگوها محاسبه‌شده و به‌عنوان یک ویژگی جدید در مدل آموزشی استفاده می‌شود. سپس الگوریتم ماشین بردار پشتیبان SVM برای به دست آوردن یک کلاسیفایر جدید و در جهت تمیز دادن تومورهای ورودی استفاده می‌شود.

پاورپوینت ماشین بردار پشتیبان SVM

کلیک کنید

بانک اطلاعاتی WDBC الگوریتم ماشین بردار پشتیبان SVM

آن‌ها برای پیاده‌سازی متد پیشنهادی خود از مجموعه داده بانک WDBC از دانشگاه کالیفرنیا استفاده کردند. این مجموعه داده در سال ۱۹۹۵ ارائه‌شده است. این مجموعه شامل ۳۲ ویژگی از ۱۰ گروه است. متد پیشنهادی آن‌ها، بر اساس روییه اعتبار سنجی متقابل ده‌تایی، هنگام آزمایش، دقت را تا ۳۸/۹۷درصد افزایش می‌دهد. شش ویژگی مطلق از بین ۳۲ ویژگی اصلی از تومور استخراج‌شده و در فاز آموزش استفاده می‌شود. با کاهش بعد فضای ویژگی ورودی در الگوریتم K-SVM از ۳۲ به ۶ عدد، دقت تشخیص نیز افزایش یافت.

تاریخچه الگوریتم ماشین بردار پشتیبان SVM

در کاوشی دیگر ضیاومین و همکاران  در سال ۲۰۱۳ به بررسی روش‌های انتخاب ویژگی برای طبقه‌بندی توده پرداخته‌اند. یک ماشین بردار پشتیبان بار اساس روش ویژگی‌های حذف بازگشائی SVM-RFE با NMIFS ادغام‌شده است تا از معایب هر یک از آن‌ها جلوگیری شود درحالی‌که هر یک مزایای خود رادارند و سپس یک روش انتخاب ویژگی جدید پیشنهاد شده است، که آن را SVM-RFE با پالایه NMIFS، SRN نامیده‌اند.

الگوریتم طبقه‌بندی K-NN پاس از کاهش ابعاد با تجزیه‌وتحلیل تفکیک خطی استفاده‌شده و الگوریتم ماشین بردار پشتیبان SVM برای طبقه‌بندی نهایی مورداستفاده قرارگرفته است. نتایج تجربی نشان می‌دهد که روش پیشنهادی SRN به‌طور قابل‌توجهی دقیق‌تر از سایر روش‌های گذشته است.

دسته بندی خاک با الگوریتم SVM در متلب

کلیک کنید

الگوریتم ماشین بردار پشتیبان SVM در سال های اخیر

اخیراً در سال جاری (۲۰۱۶) گروهی از محققین مراکشی و فرانسوی از الگوریتم‌های یادگیری ماشین جهت پیش‌بینی و تشخیص خطر ابتلا به بیماری سرطان سینه استفاده نمودند. این گروه در تحقیقات خود اقدام به مقایسه چهار الگوریتم یادگیری ماشین شامل ماشین بردار پشتیبان (SVM)، درخت تصمیم (C 4.5)، Naive Bayes و k-نزدیک‌ترین همسایه نموده و به این نتیجه رسیدند که الگوریتم ماشین بردار پشتیبان با کمترین نرخ خطا دارای بیشترین دقت تشخیص می‌باشد.