متن کامل پایان نامه 
ماشین بردار پشتیبان

متن کامل پایان نامه ماشین بردار پشتیبان

دانلود پایان نامه

های هر دست خط استخراج شده و به سیستم فازی داده می شوند. تا پس از استنتاج در قوانین فازی خروجی مناسب را تولید کند که بیانگر ویژگی های شخصیتی نویسنده دستخط است 7.

به عنوان مثال در مقاله8، 5 ورودی شامل : ارزش ها ، شیب راست ، شیب چپ و خط پایه و میزان کنترل احساسات در مجموعه فازی در نظر گرفته شده ، درجه هر ورودی مشخص میکند که به کدام مجموعه فازی تعلق دارد تابع عضویت که تعیین کننده تعلق هر کدام از ورودی هاست بین 0 تا100 درصد تعیین میشود . در سیستم فازی مقاله مورد نظر روش ممدانی مورد استفاده قرار گرفته شده است .با توجه به مشخصات سیستم فازی طراحی شده 33 قانون برای تعیین سطح احساسات افراد تعریف شده است ورودی ها فازی شده و سپس به عنوان مقدم قوانین فازی مورد استفاده قرار میگیرند. اگر یک قانون فازی دارای چندین مقدم باشد از عملکردand برای ارزیابی مقدم و به دست آوردن یک عدد مشخص استفاده میشود. بعداز دریافت دست خط افراد و محاسبه شیب خط ورودی مورد نیاز سیستم فازی تولید میشود سپس با بهره گرفتن از قوانین فازی و تابع عضویت خروجی سیستم فازی بدست میآید خروجی را برای محاسبه در صد حقیقی میزان کنترل سطح احساسات افراد مورد آزمایش استفاده میشود8 .
ماشین بردار پشتیبان (SVM)
ماشین بردار پشتیبان یک طبقه بند بسیار کارا است که با بهره گرفتن از ایده حداکثر حاشیه به طبقه بندی داده ها می پردازد ایده حداکثر حاشیه به این معنی است که در فضای ویژگی ها به دنبال خط، صفحه یا ابر صفحه ای هستیم که فاصله نزدیکترین نمونه های هر کلاس از آن حداکثر باشد. در حالتی که نمونه های کلاسها را نتوان توسط یک ابر صفحه از هم جدا کرد آنها را به بعد بالاتری نگاشت میکنیم و طبقه بندی در فضایی با بعد بالاتر انجام میشود به منظور نگاشت نمونه ها به بعد بالاتر عموما از کرنلهای غیرخطی استفاده میشود.
از معروفترین کرنلها میتوان به کرنل گاوسی و کرنل چند جمله ای اشاره نمود19.
4-3-2 بحث
در میان دسته بندهای متفاوت شبکه عصبی با توانایی دسته بندی غیر خطی با اتصالات میانی متعدد ممکن میان آنها قدرت تخمین دقیق مرزهای تصمیم پیچیده را دارد لذا از فراوانی بیشتر نسبت به سایر روشها برخوردار می باشد معمولا شبکه های پرسپترون چند لایه با الگوریتم آموزشی پس انتشار خطا بیشتر مورد استفاده قرار می گیرد.
مزیت اصلی استفاده از شبکه عصبی حساس نبودن آن به نویز است اما طبقه بندی منابع خطا در این دسته از روشها تقریبا غیر ممکن است مشکل دیگر شبکه های عصبی نیاز به حجم زیاد داده های آموزشی است. عملکرد شبکه های عصبی وابسته به انتخاب صحیح معیارهای مناسب میباشد . به نظر میرسد ترکیب دو روش فازی و شبکه عصبی مناسب باشد.
رویکرد فازی به عنوان یک ابزار قدرتمند در برخورد با عدم قطعیت توان خود را در کاربردهای مختلف نشان داده است.
ضعف درخت تصمیم حساس بودن آن به نویز می باشد به عبارتی کوچکترین خطا ساختار درخت را عوض میکند از کلاسه بندهایی که اشاره نشد مدل های مخفی مارکوف ، دسته بندهای ژنتیک نزدیک ترین همسایه می باشند.
4-3-3 درخت تصمیم
با توجه به اینکه در این پایان نامه از درخت تصمیم بعنوان دسته بند استفاده شده است، در این بخش به طور مفصل به آن خواهیم پرداخت.
یادگیری درخت تصمیم گیری یکی از پرکاربردترین و کارآمدترین متد های یادگیری استقرایی است. این متد در یادگیری توابع گسسته مقدار با داده های خطا دار به کار می رود.
استقرا ایجاد قوانین کلی از مجموعه مثالهاست. مثالها در قالب جداولی نمایش داده می شود که به آنها جداول تصمیم گیری گفته میشود . از طریق مثالها دانش استخراج میشود و در قالب درختی به نام درخت تصمیم گیری بازنمایی خواهند شد.
هر گره داخلی در درخت ، ویژگیای از نمونه را آزمایش میکند و هر شاخه ای که از آن گره خارج میشود متناظر یک مقدار ممکن برای آن ویژگی می باشد. همچنین هر گره برگ، بیانگر یک دسته بندی است. هر نمونه با شروع از گره ریشه درخت و آزمایش ویژگی مشخص شده توسط این گره و حرکت در شاخه متناظر با مقدار ویژگی داده شده در نمونه ، دسته بندی میشود. این فرآیند برای هر زیر درختی که گره جدید ،ریشه آن می باشد تکرار می شود. درخت تصمیم نمونه ها را به نحوی دسته بندی میکند که از ریشه به سمت پایین رشد میکنند و در نهایت به گره های برگ میرسد .

مطلب مرتبط :   منابع پایان نامه با موضوع مقابله با استرس

اینجا فقط تکه های از پایان نامه به صورت رندم (تصادفی) درج می شود که هنگام انتقال از فایل ورد ممکن است باعث به هم ریختگی شود و یا عکس ها ، نمودار ها و جداول درج نشوند.

برای دانلود متن کامل پایان نامه ، مقاله ، تحقیق ، پروژه ، پروپوزال ،سمینار مقطع کارشناسی ، ارشد و دکتری در موضوعات مختلف با فرمت ورد می توانید به سایت  77u.ir  مراجعه نمایید

رشته روانشناسی و علوم تربیتی همه موضوعات و گرایش ها :روانشناسی بالینی ، تربیتی ، صنعتی سازمانی ،آموزش‌ و پرورش‌، کودکاناستثنائی‌،روانسنجی، تکنولوژی آموزشی ، مدیریت آموزشی ، برنامه ریزی درسی ، زیست روانشناسی ، روانشناسی رشد

در این سایت مجموعه بسیار بزرگی از مقالات و پایان نامه ها با منابع و ماخذ کامل درج شده که قسمتی از آنها به صورت رایگان و بقیه برای فروش و دانلود درج شده اند

4-3-3-1 الگوریتم ID3
اکثر الگوریتم هایی که برای یادگیری درختی ایجاد شده نسخه های مختلف یک الگوریتم اساسی هستند که از جستجویی حریصانه و بالا به پایین برای جستجوی فضای درخت های تصمیم گیری ممکن استفاده میکند . این روش الگوریتم ID3 نام دارد. ID3 از بهرهی اطلاعات برای انتخاب ویژگی در هر مرحله از رشد درخت استفاده میکند20.

برای تعریف دقیق بهرهی اطلاعات از تعریف معیار دیگری به نام آنتروپی ، که در تئوری اطلاعات کاربرد بسیار دارد، شروع میکنیم. این معیار یکدستی و عدم یکدستی یک دستهی دلخواه از نمونه ها را مشخص می کند. داشتن دستهی S از نمونه های مثبت و منفی مفهوم هدف، آنتروپی دسته S متناسب با این دسته بندی منطقی به صورت زیر تعریف می شود:
Entropy(s)= – p ⊕logp ⊕ – p ⊖logp ⊖
در این رابطه p⊕نسبت تعداد نمونه های مثبت به تعداد کل نمونه ها و p ⊖نیز نسبت تعداد نمونه های منفی به تعداد کل نمونه هاست. با داشتن آنتروپی به عنوان معیاری برای میزان یکدستی مجموعهای از نمونه های آموزشی، حال میتوانیم معیاری برای تأثیرگذاری یک ویژگی در دستهبندی نمونه های آموزشی ارائه دهیم. همان طور که گفته شد این معیار بهرهی اطلاعات نامیده میشود. بهرهی اطلاعات میزان کاهش انتظاری آنتروپی از دسته بندی بر اساس ویژگی خاص است . به عبارت دقیقتر ، بهرهی اطلاعات ویژگی A برروی مجموعهی S، Gain(S,A) را بر حسب مجموعهی نمونه های موجود به شکل زیر تعریف می کنیم:
Gain(S,A)=Entropy(S) – ∑(│Sv│∕│S│) Entropy(Sv)
Sv زیر تعداد نمونه هایی ازS هستند که برای ویژگی A مقدار V را دارند. جمله اول در رابطه فوق فقط خود آنتروپی مجموعهی S و جملهی دوم میانگین آنتروپی بعد از تقسیم S با ویژگیA است. Gain(S,A) میزان اطلاعاتی است که در مورد مقدار تابع هدف با داشتن مقدار ویژگی A بدست میآوریم. بهرهی اطلاعات دقیقاً معیاری است که در ID3 برای انتخاب بهترین ویژگی در هر مرحله از رشد درخت استفاده میشود.این الگوریتم درخت های کوتاه تر را بر درخت های بلند تر ترجیح می دهد.
ممکن است مواقعی که داده ها خطا دارند یا تعدادشان به اندازه ی کافی نیست که تابع هدف را کامل تعریف کنند مشکل ساز باشد. به هر حال در چنین مواقعی، این الگوریتم درخت هایی را خروجی می دهد که مشکل overfitدر نمونه های آموزشی دارند.روش های بسیاری برای حل مسئلهی overfit در یادگیری درختی موجود است. این روش ها به دو دستهی کلی تقسیم می شوند:
الف) روش هایی که جلوی رشد درخت را قبل از رسیدن به نقطه ای که تمامی نمونه ها را درست دسته بندی کند می گیرند، در این روش معلوم نیست که چه زمان باید جلوی رشد درخت گرفته شود
ب) روش هایی که اجازه می دهند تا درخت به اندازهی دلخواه رشد کند سپس درخت را هرس می کنند. این روش در کاربرد موفقیت بیشتری را از خود نشان دادهاند20.
4-3-4 شبیه سازی الگوریتم پیشنهادی
برای اجرای الگوریتم درخت تصمیم، ویژگیهای افراد و نوع شخصیت آنها را به شرح جدول (4-2) گروهبندی میکنیم:
جدول (4-2) گروه بندی شخصیت افراد
کلاس
شخصیت

مطلب مرتبط :   منابع پایان نامه با موضوع مقابله با استرس

برای دانلود متن کامل فایل این  پایان نامه می توانید  اینجا کلیک کنید

دیدگاهتان را بنویسید

بستن منو