کاربرد تجزیه مقادیر منفرد تصادفی در تحلیل مولفه‌های اصلی به منظور افزایش سرعت آموزش در روش‌های یادگیری ماشین
Application of randomized singular value decomposition in principal component analysis to accelerate training phase of machine learning methods
نویسندگان :
زهرا بهروزه ( دانشگاه شهید بهشتی ) , مسعود حجاریان ( دانشگاه شهید بهشتی ) , علیرضا افضل آقائی نائینی ( دانشگاه شهید بهشتی )
چکیده
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.کليدواژه ها
یادگیری ماشین، تحلیل مولفه های اصلی، تجزیه مقادیر منفرد تصادفی، ماشین بردار پشتیبانکد مقاله / لینک ثابت به این مقاله
برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است :نحوه استناد به مقاله
در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:زهرا بهروزه , 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
