طبقه بند تک گلاسه گرانش گرای مبتنی بر ماشین بردار پشتیبان

در این مقاله یک طبقه بند تک کلاسه مبتنی بر مرز با الهام از طبقه بند توصیف گر داده مبتنی بر بردار پشتیبان (SVDD) ارائه شده است. در طبقه بند SVDD حتی زمانی که نمونه های پرت به بیرون از مرز رانده می شوند، باز هم این نمونه ها بر مرز طبقه بند اثر می گذارند و این مسئله باعث افزایش خطای طبقه بند می شود. در طبقه بند پیشنهادی به گرانش نمونه های آموزش اهمیت داده می شود و همچنین همه نمونه ها در تعیین مرز طبقه بند دخالت دارند. بر این مبنا دو طبقه بند که در یکی دانش در مورد نمونه های پرت نیز در نظر گرفته می شود، پیشنهاد شده است. مسئله بهینه سازی مطرح در طبقه بند پیشنهادی علاوه بر این که تحدب را حفظ می کند، در حوزه کرنل نیز به سهولت قابل استفاده است. پس از معرفی طبقه بند پیشنهادی و حل مسئله بهینه سازی آن، چگونگی تغییرات مرز طبقه بند پیشنهادی در مقابل تغییرات پارامترهای مدل بررسی می شود. نتایج آزمایش ها در مقایسه با دو طبقه بند SVDD و Density Induced SVDD نشان می دهد که روش پیشنهادی در کاهش اثر نمونه های پرت موفق بوده است.