2-8-5-1تابع تصمیم مسائل دو کلاسی……………………………………………………………. 36
2-8-5-2 تعیین تابع تصمیم(ابر صفحه جداکننده)………………………………………………. 38
2-8-5-3 بعد VC……………………………………………………………………………………… 39
2-8-5-4حداقل سازی ریسک تجربی…………………………………………………………….. 40
2-8-5-5حداقل سازی ریسک ساختاری…………………………………………………………. 42
2-8-6 ماشین بردار پشتیبان طبقه بندی کننده خطی با داده های جدا شدنی به طور خطی 44
2-8-7ماشین بردار پشتیبان طبقه بندی کننده خطی با داده های جدا نشدنی به طور خطی ( 49
2-8-8 ماشین بردار پشتیبان غیر خطی……………………………………………………………… 52
2-8-9 انواع کرنل ها……………………………………………………………………………………… 55
2-8-9-1 کرنل چند جمله ای……………………………………………………………………….. 55
2-8-9-2 کرنل های شبکه عصبی………………………………………………………………….. 55
2-8-9-3 کرنل های گوسی…………………………………………………………………………. 56
2-9 تکنیک های پیش پردازش نامتوازن…………………………………………………………………. 58
2-9-1 ماشین بردار پشتیبان و مشکل عدم توازن کلاس…………………………………………. 58
2-9-1-1 عیب مشکل بهینه سازی با ناحیه مرزی نرم………………………………………… 59
2-9-1-2 نسبت بردار پشتیبان نامتوازن……………………………………………………………. 60
2-9-2 روش های یادگیری عدم توازن خارجی برای SVM (روش های پیش پردازش داده) 61
2-9-2-1 روش های نمونه برداری دوباره………………………………………………………….. 61
2-9-2-1-1زیر نمونه برداری…………………………………………………………………….. 61
2-9-2-1-2بیش نمونه برداری…………………………………………………………………… 62
2-9-2-1-3 SCM……………………………………………………………………………………
2-9-2-1-4 نمونه برداری پیشرفته……………………………………………………………… 63
2-9-2-1-5 تکنیک بیش نمونه برداری اقلیت مصنوعی……………………………………. 64
2-9-2-1-6 نزدیک ترین همسایه فشرده(CNN)……………………………………………..
2-9-2-1-7 نزدیک ترین همسایه تغییر یافته(ENN)………………………………………….
2-9-2-1-8 Tomek-Link…………………………………………………………………………
2-9-2-2 روش های یادگیری جمعی………………………………………………………………… 68
2-9-2-2-1الگوریتم آموزشی Bagging…………………………………………………………
2-9-2-2-2 الگوریتم آموزشی Boosting………………………………………………………
2-9-3 روش های یادگیری عدم تعادل داخلی برای ماشین بردار پشتیبان………………..71
2-9-3-1 هزینه خطای متفاوت……………………………………………………………………… 71
2-9-3-2 یادگیری یک کلاس………………………………………………………………………. 73
2-9-3-3zSVM………………………………………………………………………………………….
2-9-3-4 روش های اصلاح کرنل……………………………………………………………………. 74
2-9-3-5 یادگیری فعال………………………………………………………………………………. 75
2-9-3-6 روش های ترکیبی………………………………………………………………………… 75
فصل سوم:روش تحقیق
3-1مقدمه……………………………………………………………………………………………………….. 77
3-2 ماشین بردار پشتیبان فازی برای یادگیری عدم توازن کلاس…………………………………… 77
3-2-1 روش SVMFuzzy………………………………………………………………………………..
3-2-2متد FSVM-CIL…………………………………………………………………………………..
3-3 ماشین بردار پشتیبان حداقل مربعات (LS-SVM)…………………………………………………
3-4 الگوریتم پیشنهادی……………………………………………………………………………………… 87
فصل چهارم: محاسبات و یافته های تحقیق
4-1 مقدمه………………………………………………………………………………………………………. 90
این مطلب را هم بخوانید :
4-2 مجموعه داده ها………………………………………………………………………………………… 90
4-3 نتایج کارایی روش های مختلف بر روی مجموعه داده ها…………………………………….. 91
فصل پنجم:نتیجه گیری و پیشنهادات
5-1 جمع بندی و نتیجه گیری……………………………………………………………………………… 94
5-2 کارهای آتی………………………………………………………………………………………………. 96
منابع و مآخذ :………………………………………………………………………………………. 97
چکیده انگلیسی…………………………………………………………………………………………….102
چکیده:
برای دست یابی به نتایج مطلوب در داده کاوی نیاز به پیش پردازش داده ها داریم.پیش پردازش داده ها یکی از اجزای مهم در فرایند کشف دانش است.روش های بسیاری برای پیش پردازش داده وجود دارد که میتوان از آنها استفاده کرد.اما این روش ها برای داده های نامتوازن مناسب نیستند. اصطلاح “مجموعه داده نامتوازن” عموما به مجموعه داده‌ای گفته میشود که در آن تعداد نمونه‌هایی که نمایانگر یک کلاس هستند از نمونه‌های دیگر در کلاس‌های متفاوت کمتر است مشکل عدم توازن کلاس در بسیاری از برنامه های کاربردی جهان واقعی به رسمیت شناخته شده است و موضوع تحقیقات یادگیری مبتنی بر ماشین قرار گرفته است از این رو اخیراً مشكل نامتوازن بودن كلاسها مورد توجه محققان در زمینه ی داده كاوی قرار گرفته است.آنها به دنبال کشف روش هایی بودند که با اعمال بر روی داده های نامتوازن به نتایج مطلوبی دست یابند.
در این پروژه روش های گوناگون پیش پردازش داده های نامتوازن مورد بحث قرار گرفته و الگوریتم جدیدی برای بهبود نتایج طبقه بندی ارائه میشود، به گونه ای که کارایی و دقت آن مورد توجه باشد.
