دانلود ترجمه مقاله کاهش تعداد دسته بندی کننده های فرعی برای SVM – مجله الزویر

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” کاهش تعداد دسته بندی کننده های فرعی برای SVM ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

۱ – مقدمه
۲ – SVM چند دسته ای
۳ – نمونه برداری عدم قطعیت
۴ – MSVM مبتنی بر نمونه برداری عدم قطعیت
۵- نتایج آزمایشی
۶- نتیجه گیری ها

• بخشی از ترجمه:

۶- نتیجه گیری ها
ما در این مقاله یک روش مبتنی بر نمونه برداری عدم قطعیت یا همان US_MSVM را پیشنهاد می دهیم تا مشکلات دسته بندی چند مقوله ای را حل کنند . دسته کننده های فرعی در روش جدید به منظور اهمیت هایشان اموزش می بینند و آن دسته کننده های فرعی سودمند نادیده گرفته می شوند . راهبرد نمونه برداری عدم قطعیت استفاده می گردد تا تصمیم گیری گردد کدام نمونه ها بایستی در دور بعدی اموزش ببینند . نتیجه نهایی در زمان تست کردن یک ایده یکپارچه کننده دسته کننده های فرعی آموزش دیده می باشد .
نتایج آزمایشی در مجموعه داده های واقعی نشان می دهند که Precision و Recall از US_MSVM با موارد دو به دو در وضعیتی قابل مقایسه هستند که دور آموزش بسیار کمتر از دو به دو می باشد . US_MSVMرا می توان همانند نوع تعویض شده دو به دو استفاده نمود .

• بخشی از مقاله انگلیسی:

۶٫ Conclusions

In this paper, we propose a novel uncertainty samplingbased method, US_MSVM, to solve multi-category classi- fication problems. In the new method, sub-classifiers are trained in order of their significances and those unhelpful sub-classifiers are ignored. The uncertainty sampling strategy is used to decide which samples should be trained in the next round. When testing, the final result is the integrative opinion of all trained sub-classifiers. Experimental results on real-world data set show that, Precision and Recall of US_MSVM are comparable to those of pairwise in the condition that the training round is much less than that of the pairwise. The US_MSVM can be used as a substituted version of pairwise.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله