• 8. Vektor mashinasini qollab-quvvatlash (SVM)
    		•

    Vektor kvantlash tarmoqlari (LVQ)




    Download 0.61 Mb.
    bet5/6
    Sana16.10.2022
    Hajmi0.61 Mb.
    #27306
    1   2   3   4   5   6
    Bog'liq
    SHAMSIDDINOV ISAQJON
    15, баён кирилда, Samatov, KT Laboratoriya ishi 4, 4-7-lab S.T, Заголовок отчета, mobiledan manga tushga test, loyiha ishi 2 cmestir, add, 4 Amaliy ish Operatsion tizimda Windows OT parolga asoslangan autentifikatsiya, 4.10, Fizika” fani bo’yicha, Ulugʻbek.M Akademik yozuv Reklama matni mustaqil ta\'lim 2, 1-Amaliyot ishi
    7. Vektor kvantlash tarmoqlari (LVQ)
    KNN ning kamchiligi shundaki, siz butun o'quv ma'lumotlar to'plamini saqlashingiz kerak. Agar KNN yaxshi ishlagan bo'lsa , LVQ algoritmini sinab ko'rish mantiqan to'g'ri keladi ( Learning vektor kvantlash ), bu kamchilikdan mahrum.

    LVQ kod vektorlari to'plamidir. Ular boshida tasodifiy tanlanadi va ma'lum miqdordagi iteratsiyalar davomida butun ma'lumotlar to'plamini eng yaxshi umumlashtiradigan tarzda moslashtiriladi. Treningdan so'ng, bu vektorlar KNNda bo'lgani kabi bashorat qilish uchun ham ishlatilishi mumkin. Algoritm har bir kodvektor va yangi ma'lumotlar namunasi orasidagi masofani hisoblab, eng yaqin qo'shnini (eng yaxshi mos kodvektor) qidiradi. Keyin sinf (yoki regressiya holatida raqam) eng yaxshi mos vektor uchun bashorat sifatida qaytariladi. Agar barcha ma'lumotlar bir xil diapazonda, masalan , 0 dan 1 gacha bo'lsa, eng yaxshi natijaga erishish mumkin .
    8. Vektor mashinasini qo'llab-quvvatlash (SVM)
    Vektor mashinasini qo'llab-quvvatlash, ehtimol, eng mashhur va muhokama qilinadigan mashinani o'rganish algoritmlaridan biridir.
    Giper tekislik - bu kiritilgan o'zgaruvchilar bo'shlig'ini ajratuvchi chiziq. Qo'llab-quvvatlovchi vektor mashinasida kirish o'zgaruvchan tekisligidagi nuqtalarni sinfi bo'yicha eng yaxshi ajratish uchun giperplane tanlanadi: 0 yoki 1. Ikki o'lchovli tekislikda bu nuqtalarni to'liq ajratuvchi chiziq sifatida ifodalanishi mumkin. barcha sinflar. Trening davomida algoritm sinflarni giperplan bilan yaxshiroq ajratishga yordam beradigan koeffitsientlarni qidiradi.

    Giper tekislik va eng yaqin ma'lumotlar nuqtalari orasidagi masofa farq deyiladi. Ikki sinfni ajratuvchi eng yaxshi yoki optimal giperplan - bu eng katta farqga ega chiziq. Giper tekislikni aniqlashda va klassifikatorni qurishda faqat shu nuqtalar muhim ahamiyatga ega. Ushbu nuqtalar qo'llab-quvvatlash vektorlari deb ataladi. Farqni maksimal darajada oshiradigan koeffitsientlarning qiymatlarini aniqlash uchun maxsus optimallashtirish algoritmlari qo'llaniladi.
    Qo'llab-quvvatlovchi vektor mashinasi, ehtimol, eng samarali klassik tasniflagichlardan biri bo'lib, bu albatta e'tiborga loyiqdir.

    Download 0.61 Mb.
    1   2   3   4   5   6




    Download 0.61 Mb.