دقت هوش مصنوعی در داده‌های پیچیده بالا رفت

به گزارش رسانه پژوهشی دانشگاه فردوسی مشهد (فرنا)؛ این مدل به‌ویژه در مواجهه با داده‌های دارای مقادیر پرت یا خارج از الگوهای معمول عملکرد بهتری نشان می‌دهد.
این پژوهش که توسط تارا محمدی، هادی جابری و سهراب عفتی انجام شده، نسخه‌ای توسعه‌یافته از ماشین بردار پشتیبان (SVM) را معرفی می‌کند که در طبقه‌بندی داده‌های با توزیع‌های نامحدود، دقت بالاتری نسبت به روش‌های رایج چندکلاسه دارد.
مدل پیشنهادی مرزبندی دقیق‌تری میان گروه‌ها ایجاد و به کاهش خطا و افزایش پایداری تصمیم‌گیری کمک می‌کند.
این مدل در حوزه‌هایی مانند تحلیل داده‌های پزشکی، زیستی، مالی و تصویری که اغلب با داده‌های غیرنرمال مواجه‌اند کارایی بالاتری دارد. به زعم محققان الگوریتم‌های یادگیری ماشین باید بر اساس «واقعیت داده‌ها» طراحی شوند، نه شرایط ایده‌آل آزمایشگاهی؛ مدلی که با وجود نیاز بیشتر به توان پردازشی، می‌تواند پایه‌ای برای نسل دقیق‌تر سامانه‌های هوش مصنوعی باشد.