استفاده از خوشه بندی برای بهبود ماشین بردار رگرسیون
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 670
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
SENACONF02_044
تاریخ نمایه سازی: 30 آبان 1394
چکیده مقاله:
در روشهای پیش بینی، وجود نمونه های با یاس و وجود آنتروپی در نمونه ها باعث کاهش دقت پیش بینی می شود. با توجه به این مسئله در این مقاله ما روش خوشه بندی براساس یادگیری فعال (CSVR) برای بهبود SVR ارائه داده ایم. در این روش با خوشه بندی بهینه ورودی ها براساس میزان تشابه دادها، تجمع نمونه های آموزشی را پیش بینی کردیم. بطوریکه بوسیله مشخصه چگالی خوشه ها و با ترکیب نمودن پارامترهای مختلف توانستیم، متغییرهای C , که نقش مهمی در دقت پیش بینی SVR دارند، بطور پویا مقدار دهی کنیم. همچنین سرعت پیش بینی را با کنترل ورودی ها و حذف دادهای با یاس افزایش داده ایم. در نهایت ثابت خواهیم کرد که سرعت و دقت پیش بینی روش پیشنهادی نسبت به روش SVR پایه بهبود یافته است.
کلیدواژه ها:
نویسندگان
یونس رحمانی
دانشجوی کارشناسی ارشد دانشگاه پیام نور تهران
آرش قربان نیا دلاور
عضو هیئت علمی دانشگاه پیام نور تهران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :