در این مقاله یک طبقهبند تککلاسه مبتنی بر مرز با الهام از طبقهبند توصیفگر داده مبتنی بر بردار پشتیبان (SVDD) ارائه شده است. در طبقهبند SVDD حتی زمانی که نمونههای پرت به بیرون از مرز رانده میشوند، باز هم این نمونهها بر مرز طبقهبند اثر میگذارند و این مسئله باعث ا چکیده کامل
در این مقاله یک طبقهبند تککلاسه مبتنی بر مرز با الهام از طبقهبند توصیفگر داده مبتنی بر بردار پشتیبان (SVDD) ارائه شده است. در طبقهبند SVDD حتی زمانی که نمونههای پرت به بیرون از مرز رانده میشوند، باز هم این نمونهها بر مرز طبقهبند اثر میگذارند و این مسئله باعث افزایش خطای طبقهبند میشود. در طبقهبند پیشنهادی به گرانش نمونههای آموزش اهمیت داده میشود و همچنین همه نمونهها در تعیین مرز طبقهبند دخالت دارند. بر این مبنا دو طبقهبند که در یکی دانش در مورد نمونههای پرت نیز در نظر گرفته میشود، پیشنهاد شده است. مسئله بهینهسازی مطرح در طبقهبند پیشنهادی علاوه بر این که تحدب را حفظ می کند، در حوزه کرنل نیز به سهولت قابل استفاده است. پس از معرفی طبقهبند پیشنهادی و حل مسئله بهینهسازی آن، چگونگی تغییرات مرز طبقهبند پیشنهادی در مقابل تغییرات پارامترهای مدل بررسی میشود. نتایج آزمایشها در مقایسه با دو طبقهبند SVDD و Density Induced SVDD نشان میدهد که روش پیشنهادی در کاهش اثر نمونههای پرت موفق بوده است.
پرونده مقاله