Μελέτη κατηγοριοποίησης δεδομένων με Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines) και υλοποίηση εφαρμογής

Abstract

Η ταξινόμηση δεδομένων σε κατηγορίες καθώς και η αναζήτηση σχέσεων ομοιοτήτων - διαφορών μεταξύ δεδομένων, αποτελεί αντικείμενο έρευνας σε όλους σχεδόν τους επιστημονικούς τομείς. Οι Μηχανές Διανυσμάτων Υποστήριξης ΜΔΥ (Support Vector Machines, SVM) είναι μία οικογένεια αλγορίθμων επιβλεπόμενης μάθησης που αναπτύχθηκαν από τον Vladimir Vapnik και χρησιμοποιούνται ευρύτατα σε προβλήματα κατάταξης. Ο αλγόριθμος SVM έχει το πλεονέκτημα να χειρίζεται πολύ καλά μεγάλο πλήθος χαρακτηριστικών και παρουσιάζει υψηλή απόδοση κατά την κατηγοριοποίηση αντικειμένων(αντικείμενο ορίζουμε μία γραμμή πίνακα (ΔΙΑΝΥΣΜΑ) που έχει ένα συγκεκριμένο πλήθος χαρακτηριστικών, χαρακτηριστικά ενός αντικειμένου είναι π.χ. πλάτος, ύψος και το βάρος ενός τραπεζιού) μεταξύ δύο (2) κατηγοριών. Ο αλγόριθμος SVM είναι ικανός στο να κατασκευάζει μοντέλα αρκετά πολύπλοκα για να επιλύει δύσκολα προβλήματα του πραγματικού κόσμου. Τα SVM μοντέλα που δημιουργούνται κατόπιν εκπαιδεύσεως του 80% περίπου των δεδομένων έχουν μια απλή λειτουργική μορφή και είναι λογικευμένα σε θεωρητικές αναλύσεις. Οι ΜΔΥ περιλαμβάνουν, ως ειδικές περιπτώσεις, ένα μεγάλο εύρος από νευρωνικά δίκτυα, ακτινικών συναρτήσεων (radial basis functions) και πολυωνυμικούς ταξινομητές. Σε προβλήματα κατηγοριοποίησης οι ΜΔΥ μπορούν να χειριστούν στόχους με συνεχόμενο εύρος. Το SVM μοντέλο μαθαίνει την γραμμική αναδρομική συνάρτηση από τα εισαχθέντα δεδομένα προς εκπαίδευση και ακολούθως γίνεται η αυτόματη κατηγοριοποίηση των νέων «άγνωστων» δεδομένων. Ο SVM αλγόριθμος είναι ένα σύστημα που αναγνωρίζει κατηγορίες από πρότυπα και λέγεται ταξινομητής (classifier), ο ταξινομητής πρώτα εκπαιδεύεται (train) από το 70% - 80% των δεδομένων και στην συνέχεια ταξινομεί αυτόματα τα εναπομείναντα δεδομένα (test). Ο διαχωρισμός των θετικών παραδειγμάτων (κατηγορία 1) και των αρνητικών παραδειγμάτων (κατηγορία -1) επιτυγχάνεται μέσω του καταλληλότερου διαχωριστικού υπερεπιπέδου που επιλέγεται από τον αλγόριθμο SVM καθώς υπάρχουν πάρα πολλά διαχωριστικά υπερεπίπεδα μη κατάλληλα στο εκάστοτε πείραμα που πραγματοποιείται.