یادگیری ماشین

شما درک درستی از نحوه کار SVM و نحوه استفاده از کرنل گوسی با SVM به دست آورید )مجاز به استفاده از هر پیاده سازی موجود SVM از جمله توابع داخلی MATLAB، SVM-OSU، LibSVM و غیره هستید( قسمت اول: SVM خطی دوکالسه با یک مجموعه داده دوبعدی شروع میکنیم که به صورت خطی قابل جداسازی هستند. در این قسمت، مقادیر مختلف پارامتر C را امتحان خواه ید کرد. .1 برای آشنایی با مجموعه داده، mat1.data را load و plot کنید. .2 یک SVM خطی روی مجموعهداده آموزش ده ید. سعی کنید از مقادیر مختلف C استفاده کنید و ببینید که مرز تصم یم چگونه تغییر میکند، از {0.1,1,10,100} = �� استفاده کنید. .3 مرزهای تصم یم متفاوت را با C متفاوت را روی یک شکل ترسیم کنید. .4 دقت آموزش SVM( محور y )بر حسب مقادیر مختلف C( محور x )را رسم کنید. بهترین مقدار برای C از نظر شما کدام است ؟ تأثیر C را در آموزش SVM توضیح ده ید. قسمت دوم: SVM غیرخطی در این بخش از تمرین، از SVM برای انجام طبقه بندی غیرخطی استفاده خواه ید کرد )کرنل گوسی(. .1 برای آشنایی با مجموعهداده، mat2.data را load و plot کنید. می توانید مشاهده کنید که داده ها به صورت خطی قابل جداسازی نیستند. با این حال، با استفاده از کرنل گوسی میتوانید یک مرز تصم یم غیرخطی را یاد بگیرید که میتواند عملکرد مناسبی برای مجموعه داده داشته باشد. .2 SVM را با کرنل گوسی در این مجموعه داده آموزش ده ید. بهترین مقدار σ و C را از طریق اعتبارسنجی fold10- پیدا کنید. مقادیر ،0.01 ،0.04 ،0.1 ،0.4 ،1 ،4 10 و 40 را تست کنید. .3 دقت train وtest و واریانس متناظر آنها با fold10- را برای مقادیر مختلف C و σ رسم کنید. .4 داده ها و مرز تصم یم را برای بهترین C و σ رسم کنید. .5 دقت آزمون را با استفاده از بهترین مدل انتخاب شده گزارش ده ید و در مورد نتایج بحث کنید