عنوان مقاله:

نویسندگان:

زهرا بهروزه، مسعود حجاریان، علیرضا افضل آقائی نائینی

الگوریتم‌های یادگیری ماشین بر اساس مجموعه داده مسئله، یک مدل ریاضیاتی ایجاد کرده و پس از آموزش مدل، به پیش‌بینی داده‌های جدید می‌پردازند. افزایش ابعاد مجموعه داده، یادگیری این مدل‌ها را با مشکلاتی مواجه کرده است. تحلیل مولفه‌های اصلی یکی از راهکارهای رفع این مشکل می‌باشد. این الگوریتم بر اساس تجزیه مقادیر منفرد با ترکیب ویژگی‍‌های مجموعه داده یک تقریب از فضای اصلی مسئله ارائه می‌کند. محاسبه این تجزیه در مسائل با ابعاد بالا خود دارای مشکلاتی است. در این تحقیق پس از معرفی تجزیه مقادیر منفرد تصادفی به بررسی کاربردهای این الگوریتم در افزایش سرعت یادگیری مدل ماشین بردار پشتیبان در چند مجموعه داده شناخته شده می‌پردازیم.

یادگیری ماشین، تحلیل مولفه های اصلی، تجزیه مقادیر منفرد تصادفی، ماشین بردار پشتیبان

برای لینک‌دهی به این مقاله از آدرس زیر استفاده نمایید:

برای ارجاع در منابع از عبارت زیر استفاده کنید:
بهروزه، زهرا، حجاریان، مسعود، افضل آقائی نائینی، علیرضا، 1400، کاربرد تجزیه مقادیر منفرد تصادفی در تحلیل مولفه‌های اصلی به منظور افزایش سرعت آموزش در روش‌های یادگیری ماشین، یازدهمین سمینار جبر خطی و کاربردهای آن، https://cnf.hsu.ac.ir/fa/archive_index.php?c=esla&aid=70538