AIcode مرجع تخصصی هوش مصنوعی

<aicode>

 

 

 

 

 

جهت خصوصی‌سازی و سفارشی‌سازی پروژه‌ها یا دریافت توضیحات و اطلاعات بیشتر از طریق فرم یا شماره تماس در صفحه تماس با ما اقدام کنید.

در این برنامه نحوه استفاده از روش PCA برای کاهش بعد و آموزش یک مدل دسته‌بند SVM (ماشین بردار پشتیبان) روی مجموعه داده آموزش و استفاده از آن برای داده‌های آزمون را می‌بینید. این برنامه روی مجموعه داده هدی در زمینه ارقام دست نویس فارسی ارزیابی شده است که به راحتی می‌توان داده‌ها را عوض کرد، کافی است در سطرهای trainX، trainY، testX و testY داده‌های موردنظر خود را قرار داده باشید. هر سطر این ماتریس‌ها مربوط به بردار ویژگی یا برچسب یکی از داده های اموزش یا آزمون است. برای مثال اگر 9 ویژگی داشته باشیم و 200 داده آموزش در دسترس باشد، سایز trainX برابر 200 سطر و 9 ستون خواهد بود.
کتابخانه LiBSVM یک کتابخانه کارا و سریع برای مدل ماشین بردار پشتیبان (SVM) می‌باشد که استفاده گسترده‌ای در اکثر پژوهش‌ها دارد. این پروژه با هدف آشنایی با این کتابخانه برای مسایل دسته‌بندی تهیه شده است. یک مرحله استخراج ویژگی مرسوم در داده‌های با ابعاد بالا انتقال داده‌ها به فضای PCA و کاهش بعد است. این مرحله داده‌ها را به یک فضای با ابعاد پایین‌تر نگاشت می‌کند و جلوی مسایلی هم‌چون Overfitting در آموزش مدل را می‌گیرد.(https://en.wikipedia.org/wiki/Overfitting)

محتویات فایل قابل دانلود: کتابخانه LiBSVM نسخه 64 بیتی، مجموعه داده هدی، برنامه PCA، قطعه کد لود داده‌ها در برنامه، کد یادگیری تبدیل خطی PCA و مدل دسته‌بند SVM
زبان برنامه‌نویسی: متلب

نحوه استفاده از دسته‌بند SVM (ماشین بردار پشتیبان) و کاهش بعد PCA
200,000ریال

تبلیغات AIcodeMahak

AIcode مرجع تخصصی آموزش مهندسی کامپیوتر و هوش مصنوعی

تماس با ما

ايميل: info@aicode.ir

عضویت در خبرنامه AIcode