| عنوان فارسی مقاله: |
کاهش تعداد طبقه بندی کننده های فرعی برای ماشین های بردار پشتیبانی چند مقوله ای دو به دو |
| عنوان انگلیسی مقاله: |
Reducing the number of sub-classifiers for pairwise multi-category support vector machines |
نمونه متن ترجمه
درمیان روش های مبتنی بر SVM برای دسته بندی چند مقوله ای ، رایج ترین موارد عبارتند از ‘‘1-a-r’ ، دو به دو و DAGSVM . عیب ‘‘1-a-r’ در واقع زمان اموزش طولانی و منطقه غیر قابل دسته بندی می باشد ؛ عیب روش دو به دویی و DAGSVM در واقع اضافه بودن دسته کننده های فرعی می باشد . ما SVM چند مقوله ای مبتنی بر نمونه بداری با عدم قطعیت را در این مقاله معرفی می کنیم . تعدادی از دسته کننده های فرعی ضروری بجای کل دسته کننده های فرعی N X (N 1)/2 انتخاب می شوند تا آموزش ببینند و راهیرد نمونه برداری مبهم برای تصمیم گیری استفاده می گردد که نمونه ها بایستی در هر دور آموزش انتخاب گردند . این روش مبتنی بر نمونه برداری مبهم ثابت می گردد که بواسطه نتایج آزمایشی در داده های محک زنی دقیق و کافی می باشد .
