Analysis of Support Vector Machines and Kernel Functions
محل انتشار: سیزهمین کنفرانس دانشجویی مهندسی برق ایران
سال انتشار: 1389
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 2,372
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ISCEE13_386
تاریخ نمایه سازی: 14 مرداد 1389
چکیده مقاله:
Support Vector Machine (SVM) is one of the classification methods in machine learning. It shows excellent performance in many pattern recognition applications. SVM map an input sample into a high dimensional feature space and try to find an optimal hyperplane. Although it has some challenges that one of them is non linear models, but a model can be mapped to a new space by doing a nonlinear transformation then use a linear model in this new space can be solved the problem. In this paper we explain some important aspects to reach the best performance such as: kernel functions and selecting them, data normalization, multiclass support vector machines, and applications. Since delay and accuracy are the important parameters to improve the performance in SVMs, we compare some of the combined algorithms with these parameters to use the best algorithms in our future works. Finally some directions for researches are provided.
کلیدواژه ها:
نویسندگان
Mahnaz Rafie
Department of Computerengineering
Ahmad Khademzadeh
Iran Telecommunication Research Center
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :