Fan: Ma'lumotlar kommunikatsiyasi

Muhammad Al-Xorazmiy nomidagi Toshkent Axborot Texnologiyalari Universiteti

Fan: Ma'lumotlar kommunikatsiyasi.

Mustaqil ishi

Mavzu: SVM (Support Vector Machine) algoritmi asosida sinflashtirish modelini qurish.


Sirtqi Kompyuter injineri fakulteti

Bajardi: 024-18-guruh talabasi
Rejamatov Baxtiyorjon

Tekshirdi: Atadjanova Nozima

Toshkent -2022

Reja:

1. 
   Kirish.
   
2. 
   Ilovalar haqida.
   
3. 
   Kernel mashinasi
   
4. 
   Chiziqli SVM
   
5. 
   Optimal klassifikator.
   
6. 
   Xulosa.
   

Mavzu: SVM (Support Vector Machine) algoritmi asosida sinflashtirish modelini qurish.
Yilda mashinada o'rganish, qo'llab-quvvatlash vektorli mashinalar (SVMs, shuningdek, vektor tarmoqlarini qo'llab-quvvatlaydi[1]) bilan boshqariladigan o'quv modellari o'rganish algoritmlari tasniflash va regressiya tahlili uchun ma'lumotlarni tahlil qiladigan. Da ishlab chiqilgan&hamkasblari bilan Vladimir Vapnik tomonidan T Bell Laboratories (Boser va boshq., 1992, Guyon va boshq., 1993, Kortes va Vapnik, 1995, [1] Vapnik va boshq., 1997 yil[iqtibos kerak]) SVMs-bu Vapnik (1982, 1995) va Chervonenkis (1974) tomonidan taklif qilingan statistik o'rganish asoslari yoki VC nazariyasiga asoslangan eng mustahkam bashorat qilish usullaridan biri. Har biri ikkita toifadan biriga tegishli deb belgilangan o'quv misollari to'plamini hisobga olgan holda, SVM o'qitish algoritmi u yoki bu toifaga yangi misollarni beradigan modelni tuzadi va uni ehtimoliy bo'lmagan ikkilik chiziqli klassifikatorga aylantiradi (garchi Platt masshtablash kabi usullar SVM-ni ehtimoliy tasniflash sharoitida ishlatish uchun mavjud bo'lsa). SVM ikki toifadagi bo'shliqning kengligini maksimal darajaga ko'tarish uchun o'quv misollarini kosmosdagi nuqtalarga moslashtiradi. Keyin yangi misollar o'sha bo'shliqqa taqqoslanadi va bo'shliqning qaysi tomoniga tushishiga qarab toifaga kirishi taxmin qilinadi.
Amalga oshirishdan tashqari chiziqli tasnif, SVMs deb nomlangan narsadan foydalangan holda chiziqli bo'lmagan tasnifni samarali bajarishi mumkin yadro hiyla-nayrang, ularning ma'lumotlarini bilvosita xaritalash yuqori o'lchovli xususiyat bo'shliqlari.
Ma'lumotlar yorliqsiz bo'lsa, nazorat ostida o'rganish mumkin emas va ma'lumotlarning guruhlarga tabiiy klasterini topishga va keyin ushbu shakllangan guruhlarga yangi ma'lumotlarni xaritalashga urinadigan nazoratsiz o'quv yondashuvi talab qilinadi. Qo'llab-quvvatlovchi vektorli klasterlash [2] algoritm, tomonidan yaratilgan Hava Zigelmann va Vladimir Vapnik, qo'llab-quvvatlash vektorlari statistikasini qo'llaydi qo'llab-quvvatlash vektorlari algoritm, yorliqsiz ma'lumotlarni toifalash uchun.[chaqirish zarur]