ناقش قسم الرياضيات في كلية التربية للعلوم الصرفة (ابن الهيثم) رسالة الماجستير الموسومة ( بعض طرق التصنيفات وتطبيقاتها على مجموعة البيانات الحقيقية ) للطالبة ( سرور فائق محمد ) التي انجزتها باشراف التدريسي في القسم ( أ.م.د. غدير جاسم محمد ) ونوقشت من قبل لجنة المناقشة المبين اعضائها في ما يأتي :
- أ.م.د. بيداء عطية خلف – رئيسا
- أ.م.د حازم غضيب كالط – عضوا
- أ.م الاء ماجد حمد – عضوا
- أ.م.د. غدير جاسم محمد – عضوا و مشرفا
وتهدف الدراسة الى :
- تحديث أنظمه المتجهات الداعمة (SVMs) من خلال تطبيق بعض تحويلات النواة غير الخطية، وهي: أساس خطي، متعدد الحدود، شعاعي، ونواة متعددة الطبقات.
- لتوضيح وتلخيص تصنيف SVM غير الخطي نموذج في خوارزمية باستخدام حيل النواة.
- دراسة الطريقة المقترحة باستخدام ثلاث مجموعات بيانات محاكاة بأحجام عينات مختلفة وقارن بين SVM غير الخطي واثنين طرق التصنيف القياسية باستخدام ميزات المقارنة المختلفة.
- لتحديث أنظمه المتجهات الداعمة (SVMs) من خلال استخدام إجراء النسب التدرج العشوائي.
- اختبار المنهج الجديد (ESGD-SVM) باستخدام محاكاتين مجموعات البيانات.
- مقارنة الطريقة المقترحة مع التصنيفات الأخرى
- مستخلص البحث :
ان مصطلح Support Vector Machine (SVM) يشير الى نموذج تعليمي خاضع للإشراف يمكن استخدامها كطريقة للتصنيف أو نموذج للانحدار وذلك بالاعتماد على مجموعة البيانات المستخدمة. يمكن استخدام هذه الطريقة لتصنيف نقاط البيانات عن طريق تحديد أفضل مستوى فائق بين اثنين أوأكثر من المجموعات. بالأضافة الى ذلك، أن العمل مع مجموعات ذات بيانات هائلة قد يؤدي إلى مجموعة متنوعة من المشكلات، بما في ذلك الدقة غير الفعالة واستهلاك الوقت. لهذا السبب تهتم الدراسة الحالية SVM وتطبيقاتها. حيث تتألف هذه الرسالة بشكل أساسي من جزئين اساسيين.
وتضمن الجزء الاول تحديث SVM من خلال تطبيق بعض Kernel Transformation والتي تشمل: Linear, Polynomial, Sigmoid, Gaussian. حيث تم توضيح وتلخيص نموذج التصنيف بأستخدام SVM في خوارزمية عن طريق استخدام Transformation Kernel. تم فحص الطريقة المقترحة بأستخدام ثلاث مجموعات من بيانات المحاكاة (Simulation) ذات عينات مختلفة العدد وهي (200,100,50) عينة. لاختبار الطريقة المقترحة تمت مقارنتها مع اثنين من طرق التصنيف شائعة الاستخام وهي Logistic Regression و Naïve Bayes. وأظهرت نتائج الدراسة بأنه طريقة SVM أعطت نتائج أفضل من خلال فحص الحساسية (Sensitivity) والنوعية (Specificity)والدقة (Accuracy) واستغراق الوقت (Time consuming) .
أما الجزء الثاني من الرسالة فقد تم اعتماد SVM لتوظيفها في عملية الانحدار المتدرج العشوائي Gradient decent (GD) و Stochastic Gradient Decent (SGD) . تم تحديث طريقة SGD وتم اختبار الطريقة الجديدة الانحدار المتدرج العشوائي المحسن (Enhanced Stochastic Gradient Decent (ESGD)) وذلك باستخدام مجموعتي من بيانات المحاكاة. تم تطبيق الطريقة المقترحة على بيانات امراض القلب والتي تم الحصول عليها من موقع بيانات هارفارد. تمت مقارنة الطريقة المقترحة (ESGD_SVM) مع طرق تصنيف أخرى وهي: Logistic Regression, K-nearest Neighbors, and Naïve Bayes. ومن خلال المقارنة التي تمت من خلال فحص الحساسية (Sensitivity) والنوعية (Specificity) والدقة (Accuracy) واستغراق الوقت, (Time consuming) تبين ان طريقة ESGD_SVM أعطت افضل النتائج.
