2-2-3 حوزه ها و عملکردهای داده کاوی……………………………………………………………. 12

2-3 کاربردهای داده کاوی و کشف دانش……………………………………………………………… 14

2-4 چالش هایی برای KDD…………………………………………………………………………………

2-5 پیش پردازش و آماده سازی داده ها :………………………………………………………………. 16

2-5-1اجزای اصلی پیش پردازش داده ها……………………………………………………………. 17

2-5-1-1 پاکسازی داده ها…………………………………………………………………………… 18

2-5-1-2یکپارچه سازی داده ها…………………………………………………………………….. 20

2-5-1-3 تبدیل داده ها………………………………………………………………………………. 20

2-5-1-3-1هموار سازی………………………………………………………………………….. 20

2-5-1-3-2 تجمیع………………………………………………………………………………… 21

2-5-1-3-3 تعمیم………………………………………………………………………………….. 21

2-5-1-3-4 ساخت ویژگی………………………………………………………………………. 21

2-5-1-3-5 نرمال سازی………………………………………………………………………….. 21

2-5-1-4 کاهش داده ها……………………………………………………………………………… 21

2-5-1-4-1 تجمیع مکعبی داده…………………………………………………………………. 23

2-5-1-4-2 انتخاب زیر مجموعه مشخصه ها……………………………………………….. 23

2-5-1-4-3 کاهش تعدد نقاط…………………………………………………………………… 24

2-5-1-5 تصویر کردن برای کاهش بعد………………………………………………………….. 24

2-6 روش های ارزیابی دسته بندی……………………………………………………………………….. 25

2-6-1 ارزیابی صحت روشهای دسته بندی………………………………………………………….. 27

2-7 تکنیک حداقل مربعات……………………………………………………………………………….. 30

2-7-1 تقریب کمترین مربعات گسسته چند جمله ای……………………………………………. 31

2-8 ماشین بردار پشتیبان……………………………………………………………………………………. 33

2-8-1مقدمه……………………………………………………………………………………………….. 33

2-8-2دلایل استفاده از SVM…………………………………………………………………………….

برای دیدن جزییات بیشتر و دانلود پایان نامه اینجا کلیک کنیدبرای دیدن جزییات بیشتر و دانلود پایان نامه اینجا کلیک کنید

2-8-3 کاربردهای SVM…………………………………………………………………………………..

2-8-4 مزایا و معایب SVM……………………………………………………………………………….

2-8-5 تعاریف کلی……………………………………………………………………………………….. 36

2-8-5-1تابع تصمیم مسائل دو کلاسی……………………………………………………………. 36

2-8-5-2 تعیین تابع تصمیم(ابر صفحه جداکننده)………………………………………………. 38

2-8-5-3 بعد VC……………………………………………………………………………………… 39

2-8-5-4حداقل سازی ریسک تجربی…………………………………………………………….. 40

2-8-5-5حداقل سازی ریسک ساختاری…………………………………………………………. 42

2-8-6 ماشین بردار پشتیبان طبقه بندی کننده خطی با داده های جدا شدنی به طور خطی 44

2-8-7ماشین بردار پشتیبان طبقه بندی کننده خطی با داده های جدا نشدنی به طور خطی ( 49

یک مطلب دیگر :

2-8-8 ماشین بردار پشتیبان غیر خطی……………………………………………………………… 52

2-8-9 انواع کرنل ها……………………………………………………………………………………… 55

2-8-9-1 کرنل چند جمله ای……………………………………………………………………….. 55

2-8-9-2 کرنل های شبکه عصبی………………………………………………………………….. 55

2-8-9-3 کرنل های گوسی…………………………………………………………………………. 56

2-9 تکنیک های پیش پردازش نامتوازن…………………………………………………………………. 58

2-9-1 ماشین بردار پشتیبان و مشکل عدم توازن کلاس…………………………………………. 58

2-9-1-1 عیب مشکل بهینه سازی با ناحیه مرزی نرم………………………………………… 59

2-9-1-2 نسبت بردار پشتیبان نامتوازن……………………………………………………………. 60

2-9-2 روشهای یادگیری عدم توازن خارجی برای SVM (روشهای پیش پردازش داده)         61

2-9-2-1 روشهای نمونه برداری دوباره………………………………………………………….. 61

2-9-2-1-1زیر نمونه برداری…………………………………………………………………….. 61

2-9-2-1-2بیش نمونه برداری…………………………………………………………………… 62

2-9-2-1-3 SCM……………………………………………………………………………………

2-9-2-1-4 نمونه برداری پیشرفته……………………………………………………………… 63

2-9-2-1-5 تکنیک بیش نمونه برداری اقلیت مصنوعی……………………………………. 64

2-9-2-1-6 نزدیک ترین همسایه فشرده(CNN)……………………………………………..

2-9-2-1-7 نزدیک ترین همسایه تغییر یافته(ENN)………………………………………….

2-9-2-1-8 Tomek-Link…………………………………………………………………………

2-9-2-2 روشهای یادگیری جمعی………………………………………………………………… 68

2-9-2-2-1الگوریتم آموزشی Bagging…………………………………………………………

2-9-2-2-2 الگوریتم آموزشی Boosting………………………………………………………

2-9-3 روشهای یادگیری عدم تعادل داخلی برای ماشین بردار پشتیبان………………..71

2-9-3-1 هزینه خطای متفاوت……………………………………………………………………… 71

2-9-3-2 یادگیری یک کلاس………………………………………………………………………. 73

2-9-3-3zSVM………………………………………………………………………………………….

2-9-3-4 روشهای اصلاح کرنل……………………………………………………………………. 74

2-9-3-5 یادگیری فعال………………………………………………………………………………. 75

2-9-3-6 روش های ترکیبی………………………………………………………………………… 75

فصل سوم:روش تحقیق

3-1مقدمه……………………………………………………………………………………………………….. 77

3-2 ماشین بردار پشتیبان فازی برای یادگیری عدم توازن کلاس…………………………………… 77

3-2-1 روش SVMFuzzy………………………………………………………………………………..

3-2-2متد FSVM-CIL…………………………………………………………………………………..

3-3 ماشین بردار پشتیبان حداقل مربعات (LS-SVM)…………………………………………………

3-4 الگوریتم پیشنهادی……………………………………………………………………………………… 87

فصل چهارم: محاسبات و یافته های تحقیق

4-1 مقدمه………………………………………………………………………………………………………. 90

4-2 مجموعه داده ها………………………………………………………………………………………… 90

4-3 نتایج کارایی روش های مختلف بر روی مجموعه داده ها…………………………………….. 91

فصل پنجم:نتیجه گیری و پیشنهادات