دانلود   پاورپوینت طبقه بندی های خطی

توضیحات محصول

دانلود پاورپوینت طبقه بندی های خطی با فرمت ppt ودر 48 اسلاید قابل ویرایش

قسمتی از متن پاورپوینت طبقه بندی های خطی

رئوس مطالب

1- توابع تمایز خطی و ابرصفحه‌های تصمیم

2- الگوریتم پرسپترون

3- روشهای حداقل مربعات

4- تخمین میانگین مربع

5- تمایز لجستیک

6- ماشین‌های بردار پشتیبان

3-1- مقدمه

üمزیت اصلی طبقه‌بندهای خطی در سادگی و جذابیت محاسباتی

üفرضیه طبقه‌بندی تمام بردارهای ویژگی از کلاس‌های موجود با طبقه‌بند خطی

3-2- توابع تمایز خطی و ابرصفحه‌های تصمیم

üبرای مسئله دو کلاسه و تابع تمایز خطی، ابرصفحه تصمیم در فضای ویژگی l بعدی

üدر رابطه بالا، بردار وزن و نیز مقدار آستانه می‌باشد

üاگر x1 و x2 دو نقطه روی ابرصفحه تصمیم باشند، آنگاه داریم

üباتوجه به برقراری رابطه بالا بازای هر دو نقطه از صفحه تصمیم، لذا بردار وزن بر ابرصفحه عمود می‌باشد

پاورپوینت طبقه بندی های خطی

3-4- روش‌های حداقل مربعات

üبا اینکه در بیشتر موارد کلاس‌های موجود بطور خطی تفکیک‌پذیر نمی‌باشند، ولی این نوع طبقه‌بندی منجر به عملکرد زیربهینه از منظر احتمال خطای طبقه‌بندی می‌شود.

üهدف این بخش، محاسبه بردار وزن تحت یک معیار بهینه مناسب می‌باشد.

3-4-1- تخمین میانگین مجذور خطا

üدوباره برای مسئله دوکلاسه هدف طراحی طبقه‌بندی با خروجی‌های 1± می‌باشد.

üبرای ورودی x خروجی طبقه‌بند خواهدبود و خروجی مطلوب با نشان داده می‌شود.

üبردار وزن برای کمینه کردن MSE بین خروجی مطلوب و واقعی محاسبه می‌شود:

3-4-2- تخمین تصادفی و الگوریتم LMS

üروش MSE به محاسبه ماتریس همبستگی و کوواریانس نیاز دارد. همچنین، توزیع داده‌ها نامعین می‌باشند (اگر معین باشند از روش بیزین استفاده می‌کنیم).

üبدون داشتن هرگونه دانشی درباره توزیع کلاس‌ها، معادله‌ای بشکل را درنظر بگیرید که رشته‌ای از بردارهای‌تصادفی با توزیع یکسان است.

üمقدار میانگین با نمونه‌های متغیرهای تصادفی بجای امید ریاضی (بدلیل فقدان دانش) از آزمایشات محاسبه می‌شود.

üگام ρk با ارضای دو شرط زیر منجر به همگرایی رابطه بالا می‌شود

üبمنظور کار طبقه‌بندی (مسئله دوکلاسه) با اعمال متوالی جفت بردارهای آموزش بصورت (yk, xk) و اختصاص 1± به خروجی مطلوب در این بردار، داریم:

üالگوریتم بالا، الگوریتم LMS یا Widrow- Hoff نام دارد. این روش بطور مجانبی به حل MSE همگرا می‌شود.

üوجود شکل‌های مختلف از LMS؛ یکی جایگزینی ρ ثابت بجای ρk که در این حالت به حل MSE همگرا نمی‌شود.

üاگر انتخاب شود، آنگاه الگوریتم به جواب بهینه MSE همگرا خواهدشد

üهرچه ρ کوچکتر باشد، واریانس حول تخمین MSE کوچکتر است. از سویی‌دیگر، کوچک بودن گام حرکت منجر به کند شدن سرعت همگرایی می‌شود.

üگام حرکت ثابت منجر به عملکرد مطلوب برای داده‌های غیر ایستان می‌گردد