Support vector machines a evoluční algoritmy

Abstract

Cílem práce je vytvořit alternativní řešení výpočtu Support vector machines (SVM) pomocí evolučních algoritmů. Běžně se pozice nadroviny u SVM počítá pomocí vzdálenosti od pomocných vektorů. V této práci se bude nadrovina umisťovat stochasticky a pomocí evolučních algoritmů se bude vyvíjet tak, ať se umístí na co nejvhodnější pozici s tím nejvhodnějším směrem. Práce obsahuje porovnání známých typů evolučních a rojových algoritmů jako je genetický algoritmus, diferenciální evoluce, optimalizace rojem částic, optimalizace šedých vlků a také její vylepšená verze. Práce porovnává algoritmy na čtyřech různých datasetech s různou povahou, aby se ukázalo, pro které problémy je vhodné použít daný algoritmus. To znamená, že jsou důkladně zanalyzovány nejen datasety, ale i dosažené výsledky pomocí standardního algoritmu SVM a různých evolučních algoritmů.

The purpose of this work is to create an alternative calculation Support Vector Machines (SVM) using evolutionary algorithms. Normally, the position of the hyperplane at SVM is calculated using the distance from the support vectors. In this work, the hyperplane will be placed stochastically and, using evolutionary algorithms, will evolve to be placed in the most appropriate position with the most appropriate direction. The work contains a comparison of known types of evolutionary and swarm algorithms such as genetic algorithm, differential evolution, particle swarm optimization, gray wolf optimization and its improved version. The work compares algorithms on four different datasets with different structure to show which problems it is appropriate to use the algorithm. This means that not only the datasets are thoroughly analyzed, but also the results achieved using both the standard SVM algorithm and various evolutionary algorithms.