طبقه بندی داده توسط ماشین بردار پشتیبان افزایشی بهبود یافته مبتنی بر حفظ مرز کلاس

امروزه به واسطه بزرگ شدن بانک های اطلاعاتی و حجم زیاد داده، امکان دسته بندی داده ها و استخراج داده های مفید از آن ها به سادگی وجود ندارد، به همین دلیل استخراج داده های مفید چالش بزرگی برای شرکت ها، کارخانه ها، فروشگاه ها و مراکز تجاری بزرگ بوده است. با توجه به حجم زیاد داده در بانک های اطلاعاتی، امکان تفکیک و طبقه بندی داده توسط انسان غیرممکن است. بنابراین استفاده از سازوکار و الگوریتمی جهت تفکیک و دسته بندی آن ها ضروری به نظر می رسد. روش های مختلفی جهت دسته بندی داده ها وجود دارد که با توجه به نوع داده و بانک اطلاعاتی مورد استفاده قرار می گیرد. از آنجایی که امکان طبقه بندی داده در حجم زیاد داده وجود ندارد، ابتدا باید به یکی از روش های کاهش داده، حجم داده ها را کاهش داد و سپس طبقه بندی را روی آن ها انجام داد. بنابراین انتخاب روشی که بتواند بهترین مرز تصمیم را به دست آورد از اهمیت بالایی برخوردار است. تمامی محققینی که بر روی ماشین بردار پشتیبان افزایشی به منظور کاهش داده کار می نمایند، سعی بر آن دارند تا در هر مرحله افزایش از میان داده های وارده جدید، داده هایی را انتخاب نمایند تا هر چه بیشتر نزدیک مرز تصمیم باشند تا شانس بیش تری برای بردار پشتیبان شدن را داشته باشند. روش ارائه شده به دلیل اینکه سعی دارد با دقت بیشتری نزدیک ترین داده ها به مرز تصمیم را انتخاب نماید، شانس بیشتری برای یافتن بردارهای یپشتیبان در مراحل افزایش بعدی دارد. روش پیشنهادی icbp (ibcremental class boundaty preserving) طبقه بندی داده با حفظ مرز کلاس توسط ماشین بردار پشتیبان افزایشی بهبود یافته نام دارد که در آن داده های آموزشی به صورت مرحلها ی و گزینشی توسط روش icbp جهت طبقه بندی توسط ماشین بردار پشتیبان به لیست افزوده می شوند. نتایج آزمایشات نشان می دهند که روش ارائه شده نتایج بهتری نسبت به سایر روش های ارائه شده قبلی دارد.