دانلود پاورپوینت کامل آشنایی با مفهوم دسته بندی وارزیابی  دسته بندی با استفاده از مدل های خطی

\n

\n

عنوان های پاورپوینت  : 

\n

\n

\n

دسته بندی با استفاده از مدل های خطی

\n

دسته بندی

\n

مسایل جدا پذیر خطی

\n

Generative models vs. discriminative models

\n

تقسیم بندی مدلها به صورت احتمالاتی

\n

تبدیل رگراسیون خطی به دسته بندی کننده خطی

\n

سته بندی کننده چند کلاسی

\n

اثبات محدب بودن سطوح تصمیم گیری

\n

یادگیری تابع دسته بندی کننده

\n

دسته بندی با استفاده از کمترین مربع خطا

\n

تعیین پارامترها با استفاده از روش  Least squares

\n

ینیمم کردن تابع خطا

\n

حدودیت های روش Least Squares

\n

عایب روش least sqaure

\n

Fisher’s linear discriminant

\n

Fisher Linear Discriminant

\n

اهمیت واریانس داخل کلاسی

\n

ثالی از انتخاب وزنها در ایده فیشر

\n

ارتباط فیشر با حداقل مربعات

\n

جدا ساز فیشر برای مسایل چند کلاسی

\n

حدودیت های جدا ساز فیشر

\n

الگوریتم پرسپترون

\n

بدست آوردن وزن ها

\n

\n \n\nقسمت ها و تکه های اتفاقی از فایل\n\n \n\n \n\nجموعه داده هایی که با یک سطح تصمیم گیری خطی جداپذیر هستند linearly separable یا جداپذیر خطی نامیده میشوند.\n\nیک دسته بندی کننده خطی برای دسته بندی داده ها از ترکیب خطی ویژگی ها استفاده میکند.\n\nدسته بندی کننده خطی بسیار سریع عمل میکند و برای داده ها با ابعاد بالا کارائی خوبی دارد. (البته درخت تصمیم میتواند سریعتر عمل نماید.)\n\nGenerative models vs. discriminative models\n\nدو روش کلی برای تعیین پارامترهای دسته بندی کننده های خطی وجود دارد:\n\nGenerative models\n\nاین روش ها بر اساس مدل سازی توابع چگالی شرطی عمل میکنند نظیر\n\nNaive Bayes classifier  که در آن از فرض استقلال شرطی استفاده میشود.\n\ndiscriminative models\n\nدر این روش ها از یک مدل جدا کننده استفاده میشود که سعی در افزایش کیفیت خروجی بر اساس داده های آموزشی دارد. نظیر:\n\nLogistic regression\n\nکه در آن مدل بر این اساس بدست می آید که داده مشاهده شده توسط مدلی ساخته شده که توسط خروجی قابل توصیف است\n\nPerceptron\n\nکه در آن سعی در کاهش خطای مشاهده شده در داده آموزشی است\n\nSupport vector machine\n\nکه در آن سعی در افزایش فاصله مرزی سطوح تصمیم گیری و داده های آموزشی است\n\nتقسیم بندی مدلها به صورت احتمالاتی\n\nDiscriminant Functions\n\nTwo class and Multi class\n\nLeast squares for classification\n\nFisher’s linear discriminant\n\nPerceptron algorithm\n\nProbabilistic Generative Models\n\nContinuous inputs and max likelihood\n\nDiscrete inputs, Exponential Family\n\nProbabilistic Discriminative Models\n\nLogistic regression for single and multi class\n\nLaplace approximation\n\nBayesian logistic regression\n\nتابع هدف\n\nدر مسایل دو کلاسی تابع هدف بصورت زیر است:\n\nکه مقداربرای کلاس برای کلاس  استفاده میشود.\n\nبرای مسایل چند کلاسی از یک روش کدینگ  برای نمایش کلاسها استفاده میشود. برای ثال در یک سئله  کلاسی یک ورودی متعلق به کلاس  بصورت زیر نمایش داده میشود.\n\nتبدیل رگراسیون خطی به دسته بندی کننده خطی\n\nساده ترین مدل رگراسیون مدل خطی بصورت زیر است:\n\n \n\nدر مسایل دسته بندی مقدار  مقادیر گسسته و یا مقدار احتمال ثانویه بین  به خود میگیرد.\n\nبرای این منظور از تابعی به صورت  که تابع   نامیده میشود استفاده میشود.\n\nسطوح تصمیم گیری بصورت خواهند بود که توابع خطی از   هستند. اما در حالت کلی می تواند غیر خطی باشد.\n\nتابع جداساز\n\nتابع جدا ساز تابعی است که بردار  را بعنوان ورودی گرفته و در خروجی مقداری متناسب با کلاس Ck تولید میکند.\n\nدر نتیجه بردار  بر هر بردار موجود در صفحه تصمیم گیری عمود خواهد بود. بعبارت دیگر بردار  می تواند جهت صفحه تصمیم گیری را تعیین نماید.\n\nاگر  نقطه ای روی سطح تصمیم گیری باشد خواهیم داشت:\n\nبرای یک نقطه دلخواهداریم:\n\nکه     تصویر نقطه  روی صفحه تصمیم گیری است.\n\nبا ضرب کردن هر دو طرف در  و جمع کردن با  و استفاده از روابط زیر خواهیمداشت:\n\nمسایل چند کلاسی\n\nبرای مسایلی که   باشد ممکن است بخواهیم دسته بندی را با استفاده از چند دسته بندی کننده  کلاسی انجام دهیم. اما اینکار با مشکل مواجه است.\n\nدر یک دسته بندی کننده  از تعداد  دسته بندی کننده  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.\n\nدر روش   از تعداد دسته بندی کننده باینری استفاده میشود که یک دست را از یک دسته دیگر جدا میکند. برای دسته بندی کردن یک نقطه از روش  برای انتخاب رای اکثریت دسته بندی کننده ها استفاده میشود. اما این امر هم باعث بوجود آمدن نواحی با دسته بندی مبهم میشود.\n\n \n\nدسته بندی کننده چند کلاسی\n\nیک راه دیگر، ساخت یک دسته بندی کننده است که با استفاده از تابع زیر بتواند مستقیما دسته یک ورودی را مشخص نماید.\n\nورودی به دسته تعلق خواهد داشت اگر\n\nمرز تصمیم گیری بین دو دسته  در جایی خواهد بود که\n\nابرصفحه تصمیم گیری  بعدی بوده و بصورت زیر تعریف میشود:\n\nثابت میشود که نواحی تصمیم گیری  محدب هستند.\n\nاثبات محدب بودن سطوح تصمیم گیری\n\nیادگیری تابع دسته بندی کننده\n\nبرای یادگیری دسته بندی کننده خطی از سه روش میتوان استفاده کرد:\n\n \n\n \n\nاین روشها ساده هستند اما دارای معایب مخصوص به خود نیز میباشند.\n\nدسته بندی با استفاده از کمترین مربع خطا\n\nاین روش مشابه رگراسیون خطی است و منجر به معادلات بسته ای میشود که برای تمامی پارامترها مقداری بدست خواهد آمد.\n\n \n\n \n\nبرای سادگی محاسبات بجای برداری ورودی  از یک بردار ساختگی بصورت زیر استفاده میشود:\n\nهمینطور بردار وزن بصورت زیر نوشته میشود:\n\nدر نتیجه مجموعه معادلات دسته بندی کننده را میتوان بصورت زیر نوشت:\n\n \n\n \n\nتعیین پارامترها با استفاده از روش  Least squares\n\nمجموعه داده ورودی\n\n \n\nماتریس های زیر را تعریف میکنیم:\n\n \n\nدر نتیجه تابع مربوط به مجموع مربعات خطا بصورت زیر در خواهد آمد:\n\n \n\n \n\n \n\nبعد از مرتب سازی تابع جدا کننده بصورت زیر در می آید:\n\n \n\nبرخی از داده ها برای این روش مناسب نیستند\n\nسطح تصمیم گیری این روش در شرایطی که توزیع گاوسی باشد، مشابه Maximum Likelihood است که در مورد سطوح تصمیم گیری باینری خوب عمل نمیکند.\n\nمثال زیر عدم کارایی این روش را نشان میدهد.\n\nبا استفاده از مدلهای احتمالاتی میتوان تکنیکهایی ساخت که خیلی بهتر از روش حداقل مربعات عمل کنند.\n\nیک نگرش متفاوت به جداسازی خطی از دیدگاه کاهش بعد میباشد.\n\n \n\n \n\n \n\nبا معرفی ضریب لاگرانژ میتوان این ماکزیمم سازی با محدودیت را بخوبی انجام داد.\n\n \n\n \n\n30 تا 70 درصد پروژه | پاورپوینت | سمینار | طرح های کارآفرینی و  توجیهی |  پایان-نامه |  پی دی اف  مقاله ( کتاب ) | نقشه | پلان طراحی |  های آماده به صورت رایگان میباشد ( word | pdf | docx | doc )