دانلود شبیه سازی مقاله طبقه بندی کننده تحلیل تفکیک خطی در برابر درجه دوم

پروژه متلب تفکیک خطی و درجه دوم

بررسی های صورت گرفته حاکی از آن است که یادگیری نظارت شده برای ساخت مدل خود جهت پیش بینی یا برآورد مقدار برای نمونه جدید یا برآورد پاسخ آتی، از نمونه های برچسب دار یا کلاس های مشخص استفاده می کند. همچنین در مدل نظارت شده، بین ویژگی ها یا ویژگی های استخراج شده و برچسب های هر نمونه ارتباط برقرار می شود. در واقع، دو تکنیک اصلی یادگیری نظارت شده یعنی رگرسیون و طبقه بندی وجود دارد. در تکنیک رگرسیون، داده‌ های برچسب ‌گذاری ‌شده، اعداد واقعی هستند که برای ساخت مدلی جهت برآورد مقدار نمونه جدید مورد استفاده قرار می گیرند، اما در تکنیک طبقه ‌بندی، داده ‌های برچسب ‌گذاری ‌شده با مجموعه ‌ای از مقادیر یا کلاس ‌های مشخص نشان داده می شوند و برای ساخت یک مدل طبقه بندی مورد استفاده قرار می گیرند. سپس، این مدل طبقه بندی برای تخصیص یک برچسب کلاس به یک نمونه نامشخص مورد استفاده قرار می گیرد. بسیاری از مدل ‌های طبقه‌ بندی و رگرسیون نظیر شبکه ‌های عصبی (NN)، رگرسیون خطی، رگرسیون غیر خطی، درختان طبقه بندی و رگرسیون، و طبقه بندی کننده تحلیل افتراقی (DA) در مقالات ارائه شده است. همچنین، محققی به نام آر. فیشر، اصطلاح طبقه بندی کننده DA را مطرح نمود که در بسیاری از مسائل طبقه بندی مورد استفاده قرار گرفت. لازم به ذکر است که طبقه بندی کننده DA یکی از طبقه بندی کننده های پایه و ساده محسوب می شود. دو نوع طبقه ‌بندی‌کننده DA تحت ‌عنوان طبقه‌ بندی‌کننده تحلیل افتراقی خطی (LDA) و طبقه ‌بندی‌کننده تحلیل افتراقی درجه دوم (QDA) وجود دارد. در طبقه بندی LDA، سطح تصمیم، خطی است، در حالی که مرز تصمیم در QDA غیرخطی است.

هدف از این پروژه، جمع‌آوری اطلاعات اولیه ضروری برای درک طبقه ‌بندی ‌کننده تحلیل افتراقی (DA) در یک مکان است تا خوانندگان در تمامی سطوح بتواند درک بهتری از DA را بدست آورده و دریابند که چطور بایستی از این طبقه ‌بندی کننده در کاربردهای مختلف استفاده کنند. همچنین، این مقاله با تعاریف پایه ریاضی در زمینه مراحل DA و توضیحات بصری این مراحل آغاز می شود. علاوه بر این، در یک رویکرد مرحله به مرحله، تعدادی مثال عددی برای بیان نحوه محاسبه توابع افتراقی و مرزهای تصمیم زمانیکه ماتریس‌ های کوواریانس تمام کلاس‌ ها مشترک هستند/ نیستند ارائه شده است. همچنین در این مقاله، تکینگی DA تشریح شده و برخی از راه حل های پیشرفته در خصوص این مسئله با ذکر تصاویر عددی ارائه شده است. علاوه بر این، برای مقایسه بین طبقه ‌بندی‌کننده ‌های خطی و درجه دوم و بیان نحوه حل مسئله تکینگی زمانی که از مجموعه داده ‌هایی با ابعاد بالا استفاده می‌شود، آزمایشاتی صورت گرفته است.

این مقاله مربوط به سال 2016 بوده و شبیه سازی آن نیز در محیط نرم افزار متلب (MATLAB) انجام شده است.