Đang chuẩn bị nút TẢI XUỐNG, xin hãy chờ
Tải xuống
Bài thuyết trình: Thuật toán máy hỗ trợ vector (support vector machine-SVM) có kết cấu gồm 3 chương. Chương I - Phát biểu bài toán, trình bày tóm tắt về phân lớp dữ liệu, tại sao lại sử dụng thuật toán SVM để phân lớp dữ liệu? Chương II - Thuật toán máy hỗ trợ vector(SVM) trình bày định nghĩa, mục đích, mô hình giải thuật, các câu hỏi, giải quyết, transductive support vector machine(TSVM). Chương III - Ứng dụng của SVM. | Thuật toán máy hỗ trợ vector (support vector machine-SVM) Người hướng dẫn:CN.Vũ Tiến Thành Sinhviên :Đinh thị Hương Lớp : k52CA Nội dung chính I.Phát biểu bài toán. 1.Trình bày tóm tắt về phân lớp dữ liệu 2.Tại sao lại sử dụng thuật toán SVM để phân lớp dữ liệu? II. Thuật toán máy hỗ trợ vector(SVM) 1. Định nghĩa 2. Mục đích 3. Mô hình giải thuật 4.Các câu hỏi 5.Giải quyết 6.Transductive support vector machine(TSVM) III.Ứng dụng của SVM I.Phát biểu bài toán: 1.Trình bày tóm tắt về phân lớp dữ liệu - Phân lớp dữ liệu là một kỹ thuật trong khai phá dữ liệu được sử dụng rộng rãi nhất và được nghiên cứu mở rộng hiện nay. - Mục đích: Để dự đoán những nhãn phân lớp cho các bộ dữ liệu hoặc mẫu mới. - Đầu vào: Một tập các mẫu dữ liệu huấn luyện,với một nhãn phân lớp cho mỗi mẫu dữ liệu - Đầu ra:Bộ phân lớp dựa trên tập huấn luyện,hoặc những nhãn phân lớp Phân lớp dữ liệu dựa trên tập huấn luyện và các giá trị trong một thuộc tính phân lớp và dùng nó để xác định lớp cho dữ liệu mới - Kỹ . | Thuật toán máy hỗ trợ vector (support vector machine-SVM) Người hướng dẫn:CN.Vũ Tiến Thành Sinhviên :Đinh thị Hương Lớp : k52CA Nội dung chính I.Phát biểu bài toán. 1.Trình bày tóm tắt về phân lớp dữ liệu 2.Tại sao lại sử dụng thuật toán SVM để phân lớp dữ liệu? II. Thuật toán máy hỗ trợ vector(SVM) 1. Định nghĩa 2. Mục đích 3. Mô hình giải thuật 4.Các câu hỏi 5.Giải quyết 6.Transductive support vector machine(TSVM) III.Ứng dụng của SVM I.Phát biểu bài toán: 1.Trình bày tóm tắt về phân lớp dữ liệu - Phân lớp dữ liệu là một kỹ thuật trong khai phá dữ liệu được sử dụng rộng rãi nhất và được nghiên cứu mở rộng hiện nay. - Mục đích: Để dự đoán những nhãn phân lớp cho các bộ dữ liệu hoặc mẫu mới. - Đầu vào: Một tập các mẫu dữ liệu huấn luyện,với một nhãn phân lớp cho mỗi mẫu dữ liệu - Đầu ra:Bộ phân lớp dựa trên tập huấn luyện,hoặc những nhãn phân lớp Phân lớp dữ liệu dựa trên tập huấn luyện và các giá trị trong một thuộc tính phân lớp và dùng nó để xác định lớp cho dữ liệu mới - Kỹ thuật phân lớp dữ liệu được tiến hành bao gồm 2 bước: Bước 1: Xây dựng mô hình từ tập huấn luyện Bước 2: Sử dụng mô hình – kiểm tra tính đúng đắn của mô hình và dùng nó để phân lớp dữ liệu mới. Bước 1. Xây dựng mô hình - Mỗi bộ/mẫu dữ liệu được phân vào một lóp được xác định trước. - Lớp của một bộ/mẫu dữ liệu được xác định bởi thuộc tính gán nhãn lớp - Tập các bộ/mẫu dữ liệu huấn luyện-tập huấn luyện – được dùng để xây dựng mô hình. - Mô hình được biểu diễn bởi các luật phân lớp,các cây quyết định hoặc các công thức toán học. Bước 2: Sử dụng mô hình - Phân lớp cho những đối tượng mới hoặc chưa được phân lớp - Đánh giá độ chính xác của mô hình + Lớp biết trước của một mẫu/bộ dữ liệu đem kiểm tra được so sánh với kết quả thu được từ mô hình. + Tỉ lệ chính xác bằng phần trăm các mẫu/bộ dữ liệu được phân lớp đúng bởi mô hình trong số các lần kiểm tra. - Các thuật toán phân lớp dữ liệu phổ biến: + Thuật toán cây quyết định + Thuật toán SVM + Thuật toán phân lớp Bayes + Thuật toán phân lớp K
