Oʻzbekiston respublikasi oliy ta’lim, fan va innovatsiyalar vazirligi mirzo ulugʻbek nomidagi oʻzbekiston milliy universitetining jizzax filiali
Download 58.41 Kb. Pdf ko'rish
|
Tayanch vektor mashinasi yagilangani
- Bu sahifa navigatsiya:
- Reja: Tayanch vektor mashinasi Nazorat ostidagi mashinalarni o‘rganish Tayanch vektor mashinadagi asosiy yadro funksiyalari
|
OʻZBEKISTON RESPUBLIKASI OLIY TA’LIM, FAN VA INNOVATSIYALAR VAZIRLIGI MIRZO ULUGʻBEK NOMIDAGI OʻZBEKISTON MILLIY UNIVERSITETINING JIZZAX FILIALI Axborot tizimlari va texnalogiyalari kafedrasi Sun’iy intellekt va neyron to‘rli texnologiyalar fanidan MUSTAQIL ISH Mavzu : Tayanch vektor mashinalari (SVM) Bajardi: 1-21 guruh Erkinova Gulmira Tekshirdi: Ergashev Sirojiddin JIZZAX 2023 Reja: Tayanch vektor mashinasi Nazorat ostidagi mashinalarni o‘rganish Tayanch vektor mashinadagi asosiy yadro funksiyalari Tayanch vektor mashinasi Tayanch vektor mashinasi (Support Vector Machine (SVM)) birinchi marta 1995-yilda Korinna Kortes va Vapnik tomonidan taklif qilingan. Bu kichik namunali, chiziqli bo‘lmagan va yuqori o‘lchamli naqshlarni aniqlashni hal qilishda juda ko‘p noyob afzalliklarni ko‘rsatadi va funksiyani o‘rnatish kabi boshqa mashinani o‘rganish muammolarida qo‘llanilishi mumkin. Tayanch vektor mashinasi ikki xil bo'lishi mumkin: 1.Chiziqli tayanch vektor mashinasi: Chiziqli tayanch vektor mashinasi chiziqli ajratiladigan ma’lumotlar uchun ishlatiladi, ya’ni agar ma’lumotlar to‘plamini bitta to‘g‘ri chiziq yordamida ikkita sinfga tasniflash mumkin bo‘lsa, bunday ma’lumotlar chiziqli bo‘linadigan ma’lumotlar deb ataladi va klassifikator chiziqli tayanch vektor mashinasi tasniflagichi deb ataladi. 2.Chiziqli bo‘lmagan tayanch vektor mashinasi: Chiziqli bo‘lmagan tayanch vektor mashinasi chiziqli bo'lmagan ajratilgan ma’lumotlar uchun ishlatiladi, ya'ni agar ma’lumotlar to‘plamini to‘g‘ri chiziq yordamida ikkita sinfga tasniflash mumkin bo‘lmasa, bunday ma’lumotlar chiziqli bo‘lmagan ma’lumotlar deb ataladi. Tayanch vektor mashinasi (SVM) - bu tasniflash va regressiya tahlili uchun ma’lumotlarni tahlil qiladigan bog‘liq o‘rganish algoritmlari bilan nazorat qilinadigan o'rganish modeli. Har biri ikkita toifadan biriga yoki boshqasiga tegishli deb belgilangan o‘quv misollari to'plamini hisobga olgan holda, SVM o‘qitish algoritmi yangi misolni u yoki bu toifaga tayinlaydigan modelni yaratadi va uni ehtimollik bo‘lmagan ikkilik chiziqli qiladi. SVM algoritmining N o‘lchovli fazoda ma’lumotlar nuqtalarini aniq tasniflaydigan giperplanni topishdir. Giper tekislikning o'lchami xususiyatlar soniga bog'liq. Agar kirish funksiyalari soni ikkita bo'lsa, giperplan faqat chiziqdir. Agar kirish funksiyalarining soni uchta bo'lsa, giperplane 2 o‘lchovli tekislikka aylanadi. Tayanch vektor mashinasi (SVM) chiziqli diskriminant tahliliga o‘xshash tarzda ishlaydi. Buning uchun giperplan yoki giperplanalar tuzadi va ularni xususiyatiga ko‘ra sinflarga ajratadi. Keyin, u eng yaqin o‘quv namunalaridan maksimal masofada joylashgan giperplanni tanlaydi. Keling, ikkita mustaqil o‘zgaruvchini x 1 , x 2 va ko‘k doira yoki qizil doira bo‘lgan bitta bog‘liq o‘zgaruvchini ko‘rib chiqaylik. 1-rasm. Chiziqli ajratiladigan ma’lumotlar nuqtalari Yuqoridagi rasmdan ko‘rinib turibdiki, bizning ma’lumotlar nuqtalarimizni ajratib turadigan yoki qizil va ko‘k doiralar o‘rtasida tasnifni amalga oshiradigan bir nechta chiziqlar (bizning giperplanimiz - bu chiziq, chunki biz faqat ikkita kirish xususiyatini ko'rib chiqamiz x 1 , x 2 ). Xo‘sh, qanday qilib biz ma’lumotlar nuqtalarimizni ajratib turadigan eng yaxshi chiziqni yoki eng yaxshi giperplanni tanlaymiz? 2-rasm. Bir nechta giperplanlar ma’lumotlarni ikkita sinfdan ajratib turadi Shunday qilib, biz har bir tomonning eng yaqin ma’lumot nuqtasigacha bo‘lgan masofasi maksimal bo‘lgan giperplanni tanlaymiz. Agar bunday giperplan mavjud bo‘lsa, u maksimal chegarali giperplane(qattiq chegara) deb nomlanadi. Shunday qilib, yuqoridagi rasmdan biz L2 ni tanlaymiz. Keling, misolimiz quyidagicha bo‘lsachi: 3-rasm. Chiqib ketgan ma’lumotlar uchun giperplanni tanlash Bu yerda qizil to‘pning chegarasida bitta ko‘k to‘p bor. Xo‘sh, SVM ma’lumotlarni qanday tasniflaydi? Qizillar chegarasidagi ko‘k to‘p ko‘k to‘plarning chegarasi hisoblanadi. SVM algoritmi chetni e’tiborsiz qoldiradigan xususiyatlarga ega va chegarani maksimal darajada oshiradigan eng yaxshi giperplanni topadi. 4-rasm. Eng optimallashtirilgan giperplan Shunday qilib, ushbu turdagi ma’lumotlar nuqtasida SVM nima qiladi, avvalgi ma’lumotlar to'plamida bo‘lgani kabi maksimal chegarani topadi va har safar nuqta chegarani kesib o‘tganda jarima qo‘shadi. Shunday qilib, bunday holatlardagi chegaralar yumshoq chegaralar deb ataladi. Ma’lumotlar to‘plamida yumshoq chegara mavjud bo‘lganda, SVM minimallashtirishga harakat qiladi. Hozirgacha biz chiziqli bo‘linadigan ma’lumotlar haqida gapirgan edik (ko‘k to‘plar va qizil to‘plar guruhi to‘g‘ri chiziq (chiziqli chiziq) bilan ajratiladi). Agar ma’lumotlar chiziqli ravishda ajratilmasa nima qilish kerak? 5-rasm. Tasniflash uchun 1D ma’lumotlar to‘plami Aytaylik, bizning ma’lumotlarimiz yuqoridagi rasmda ko‘rsatilgan. SVM buni yadro yordamida yangi o‘zgaruvchi yaratish orqali hal qiladi. Biz chiziqdagi x nuqtani chaqiramiz va biz o‘zgaruvchining o'zidan masofa funksiyasi sifatida yangi y o‘zgaruvchisini yaratamiz. demak, agar biz buni chizsak, quyida ko‘rsatilgandek ko‘rinishga ega bo‘lamiz. 6-rasm. Ikki sinfi ajratish uchun 1D ma’lumotlarni 2D bilan taqqoslash Bunda yangi y o‘zgaruvchisi koordinata boshidan masofa funksiyasi sifatida yaratiladi. Download 58.41 Kb. Do'stlaringiz bilan baham: 
|