672

Мақолада классификация масаласини таянч вектор машинаси (SVM) усули ёрдамида
ечишда параллел декомпозиция усули ишлаб чиқилди ва маълумотлар бўйича декомпозицияга
имкон берувчи кластерлаш алгоритми тажриба синов натижалари келтирилган. Кластерларга
ажратишда алгоритм аниқлигини таққослаш учун Калифорния университети сайтида келтирилган
archive.ics.uci.edu MNIST, Adult, Diabetes, Titanic маълумотлар тўпламидан фойдаланилган ва
Matlab дастурий пакети ёрдамида қайта ишланган.
 

  • Web Address
  • DOI
  • Date of creation in the UzSCI system 14-02-2020
  • Read count 650
  • Date of publication 21-12-2017
  • Main LanguageO'zbek
  • Pages52-59
Ўзбек

Мақолада классификация масаласини таянч вектор машинаси (SVM) усули ёрдамида
ечишда параллел декомпозиция усули ишлаб чиқилди ва маълумотлар бўйича декомпозицияга
имкон берувчи кластерлаш алгоритми тажриба синов натижалари келтирилган. Кластерларга
ажратишда алгоритм аниқлигини таққослаш учун Калифорния университети сайтида келтирилган
archive.ics.uci.edu MNIST, Adult, Diabetes, Titanic маълумотлар тўпламидан фойдаланилган ва
Matlab дастурий пакети ёрдамида қайта ишланган.
 

Русский

В статье разработан метод параллельной декомпозиции при решении задач
классификации с машиной опорных векторов (SVM). Приведены практические результаты
алгоритма кластеризации с декомпозиции по данным. Для сравнительного анализа точности
алгоритма использованы данные баз данных MNIST, Adult, Diabetes, Titanic, приведенные на сайте
Калифорнийского университета archive.ics.uci.edu, и обработаны с помощью пакета программ
Matlab.
 

English

In the article the method developed in parallel with the decomposition of the solution of
problems with the classification of support vector machine (SVM). Practical results clustering algorithm
and are given with decomposition of the data. For a comparative analysis of the accuracy of the algorithm
used by the data given in the website of the University of California archive.ics.uci.edu MNIST data
bases, Adult, Diabetes, Titanic and processed via Matlab software package.
 

№ Author name position Name of organisation
1 Ruzibaev O.B. _ _
2 Hasanov U.A. _ _
№ Name of reference
1 Vapnik V. The Nature of Statistical Learning Theory. New York: SpringerVerlag, 1995.
2 Platt J. C. Fast training of support vector machines using sequential minimal optimization// Advances in Kernel Methods: Support Vector Learning. 1999. P. 185–208.
3 Grama A., Gupta A., Karypis G., Kumar V. Introduction to Parallel Computing. Addison-Wesley, 2003.
4 Рўзибоев О.Б., Хўжаев О.Қ., Хасанов У.А.Таянч векторлар усули асосида классификациялаш хатоликлари таҳлили// Узбекский журнал «Проблемы информатики и энергетики». Ташкент, 2013. №3−4. С. 82−89.
5 Нишанов А.Х., Акбаралиев Б.Б., Рузибоев О.Б., Хужаев О.К. Сравнительный анализ алгоритмов на основе нечеткого метода k-средних с применением различных метрик// Химическая технология. Контроль и управление. Ташкент, 2014. №6(60). С. 78–82.
6 Merz C.J., Murphy P.M. UCI repository of machine learning databases. 1996. http::MLRepository.Html.
Waiting