بهينه سازي پارامترهاي دسته بندي كننده SVM به وسيله الگوريتم ازدحام ذرات شتاب يافته آشوبي و دسته بندي بر روي دادگان ژنتيكي

در سیستم هاي یادگیري بسیار محبوب و قدرتمند هستند . هدف این (Support Vector Machine) ماشین بردار پشتیبان الگوریتم تشخیص و تمایز كردن الگو هاي پیچیده در داده ها است و به عنوان یكی از ابزار هاي قدرتمند و شناخته شده در طبقه كاربردهاي زیادي در بحث شناسایی الگو و برازش غیر خطی دارد. توابع SVM بندي داده ها مورد استفاده قرار می گیرد. به طور كلی بازي می كنند. تنظیم مناسب پارامتر هاي هسته می تواند در دقت كلاس بندي SVM هسته نقش مهمی در توانایی كلاس بندي نقش خیلی مهمی داشته باشد.در عین حال انتخاب مناسب ویژگی هاي ورودي یكی از مسائل مهم در یك فرآیند دسته بندي است. در این مقاله ابتدا انتخاب ویژگی هاي مناسب و كاراآمد از نظر قدرت دسته بندي نسبت به سایر ویژگی هاي دیگر، كه از رتبه بالاتري برخوردار هستند بر اساس متد رتبه بندي نرخ فیشر انجام می گردد. پس از آن توازن میان اعضاي كلاس هاي متفاوت بر اساس حذف نمونه ایی از كلاس اكثریت كه از مرز تصمیم گیري دور هستند صورت خواهد گرفت. بهینه سازي پارامتر هاي دسته كرنل گوسی است به وسیله الگوریتم بهینه سازي ازدحام ذرات شتاب یافته γ و پارمتر C كه شامل ضریب جریمه SVM بندي كننده آشوبی صورت می گیرد. نتایج شبیه سازي بر روي مجموعه دادگان ژنتیكی انجام شده است . با افزایش تعداد ویژگی هاي منتخب شده دقت دسته بندي روش پیشنهادي بر روي مجموعه دادگان ژنتیكی بیش از 90 درصد می باشد.