دانلود فایل پاورپوینت دسته بندی با استفاده از مدل های خطی

PowerPoint قابل ویرایش
39 صفحه
8900 تومان

لطفا به نکات زیر در هنگام خرید دانلود فایل پاورپوینت دسته بندی با استفاده از مدل های خطی توجه فرمایید.

1-در این مطلب، متن اسلاید های اولیه دانلود فایل پاورپوینت دسته بندی با استفاده از مدل های خطی قرار داده شده است

2-به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید

4-در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد

5-در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون زیر قرار نخواهند گرفت

— پاورپوینت شامل تصاویر میباشد —-

اسلاید ۱ :

دسته بندی

در مسایل دسته بندی یک بردار ورودی X به یکی از K کلاس مجزای Ck اختصاص داده میشود.

برای این کار فضای ورودی به نواحی تصمیم گیری تقسیم بندی میشود که مرزهای آنرا سطوح تصمیم گیری می نامند.

در این فصل مدل هایی بررسی میشوند که سطوح تصمیم گیری از توابع خطی تشکیل میشوند. برای جدا سازی فضای ورودی D بعدی از ابرصفحه های D-1 بعدی استفاده میشود.

اسلاید ۲ :

مسایل جدا پذیر خطی

مجموعه داده هایی که با یک سطح تصمیم گیری خطی جداپذیر هستند inear y separab e یا جداپذیر خطی نامیده میشوند.

یک دسته بندی کننده خطی برای دسته بندی داده ها از ترکیب خطی ویژگی ها استفاده میکند.

دسته بندی کننده خطی بسیار سریع عمل میکند و برای داده ها با ابعاد بالا کارائی خوبی دارد. (البته درخت تصمیم میتواند سریعتر عمل نماید.)

اسلاید ۳ :


Generative mode s vs. discriminative mode s

دو روش کلی برای تعیین پارامترهای دسته بندی کننده های خطی وجود دارد:

Generative mode s

این روش ها بر اساس مدل سازی توابع چگالی شرطی عمل میکنند نظیر

Naive Bayes c assifier  که در آن از فرض استقلال شرطی استفاده میشود.

discriminative mode s

در این روش ها از یک مدل جدا کننده استفاده میشود که سعی در افزایش کیفیت خروجی بر اساس داده های آموزشی دارد. نظیر:

ogistic regression

که در آن مدل بر این اساس بدست می آید که داده مشاهده شده توسط مدلی ساخته شده که توسط خروجی قابل توصیف است

Perceptron

که در آن سعی در کاهش خطای مشاهده شده در داده آموزشی است

Support vector machine

که در آن سعی در افزایش فاصله مرزی سطوح تصمیم گیری و داده های آموزشی است

اسلاید ۴ :

تقسیم بندی مدلها به صورت احتمالاتی

Discriminant Functions

Two c ass and Mu ti c ass

east squares for c assification

Fisher’s inear discriminant

Perceptron a gorithm

Probabi istic Generative Mode s

Continuous inputs and max ike ihood

Discrete inputs, Exponentia Fami y

Probabi istic Discriminative Mode s

ogistic regression for sing e and mu ti c ass

ap ace approximation

Bayesian ogistic regression

اسلاید ۵ :

تابع هدف

در مسایل دو کلاسی تابع هدف بصورت زیر است:

که مقدارt=0 برای کلاس C1  و t=1 برای کلاس C2 استفاده میشود.

برای مسایل چند کلاسی از یک روش کدینگ ۱-of-K برای نمایش کلاسها استفاده میشود. برای مثال در یک مسئله ۵ کلاسی یک ورودی متعلق به کلاس ۲ بصورت زیر نمایش داده میشود.

اسلاید ۶ :

تبدیل رگراسیون خطی به دسته بندی کننده خطی

ساده ترین مدل رگراسیون مدل خطی بصورت زیر است:

 

در مسایل دسته بندی مقدار y مقادیر گسسته و یا مقدار احتمال ثانویه بین (۰,۱) به خود میگیرد.

برای این منظور از تابعی به صورت f(.) که تابع activation function  نامیده میشود استفاده میشود.

 

سطوح تصمیم گیری بصورت y(x)=constant خواهند بود که توابع خطی از x  هستند. اما در حالت کلی f می تواند غیر خطی باشد.

اسلاید ۷ :

تابع جداساز

تابع جدا ساز تابعی است که بردار x را بعنوان ورودی گرفته و در خروجی مقداری متناسب با کلاس Ck تولید میکند.

در حالت دو کلاسی تابع جدا ساز خطی بصورت زیر تعریف میشود.

که در آن w بردار وزن و w0 مقدار بایاس خوانده میشود.

برای دسته بندی از رابطه زیر استفاده میشود:

مرز دسته بندی با تابع زیر تعیین میشود:

این مرز برای داده  D  بعدی بصورت یک ابرصفحه D-1 بعدی خواهد بود.

اسلاید ۸ :

 تعیین تابع جداساز

برای تعیین مقادیر w می توان دو نقطه XA, XB را در روی سطح تصمیم گیری درنظر بگیرید. از آنجائیکه

لذا خواهیمداشت:                    

در نتیجه بردار w بر هر بردار موجود در صفحه تصمیم گیری عمود خواهد بود. بعبارت دیگر بردار w می تواند جهت صفحه تصمیم گیری را تعیین نماید.

اگر x نقطه ای روی سطح تصمیم گیری باشد خواهیم داشت:

اسلاید ۹ :

 تعیین تابع جداساز

برای یک نقطه دلخواه x داریم:

 

که     تصویر نقطه x روی صفحه تصمیم گیری است.

با ضرب کردن هر دو طرف در wT و جمع کردن با w0  و استفاده از روابط زیر خواهیمداشت:

اسلاید ۱۰ :

مسایل چند کلاسی

برای مسایلی که K >2  باشد ممکن است بخواهیم دسته بندی را با استفاده از چند دسته بندی کننده ۲ کلاسی انجام دهیم. اما اینکار با مشکل مواجه است.

در یک دسته بندی کننده one-versus-a از تعداد k-1 دسته بندی کننده ۲ کلاسی استفاده میشود که هر کدام یکی از کلاسها را از سایرین جدا میکند. این امر باعث بوجود آمدن نواحی با دسته بندی مبهم میشود.

در روش one-versus-one  از تعداد k(k-1)/2 دسته بندی کننده باینری استفاده میشود که یک دست را از یک دسته دیگر جدا میکند. برای دسته بندی کردن یک نقطه از روش voting برای انتخاب رای اکثریت دسته بندی کننده ها استفاده میشود. اما این امر هم باعث بوجود آمدن نواحی با دسته بندی مبهم میشود.

 

 

مطالب فوق فقط متون اسلاید های ابتدایی پاورپوینت بوده اند . جهت دریافت کل ان ، لطفا خریداری نمایید .
PowerPointقابل ویرایش - قیمت 8900 تومان در 39 صفحه
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد