بررسي عملكرد الگوريتم هاي يادگيري ماشين در تشخيصنويسه هاي اعداد فارسي

A performance study of machine learning algorithms in recognition ofhandwritten Persian digits

در اين مقاله پردازشتصاوير نويسه هاي اعداد فارسي با هدف تشخيصنوري نويسه ها (OCR) با سه الگوريتم يادگيري ماشين شامل رگرسيون لجستيك چندجمله اي، ماشين بردار پشتيبان، و جنگل تصادفي صورت گرفته است. عد و انتخاب ويژگي بر عملكرد  هدف اصلي يافتن مدل بهينه از نظر دقت و زمان پردازش و نيز بررسي اثر كاهش ب عد تحليل مولفه هاي اصلي و تحليل تناظر چندمتغيره  الگوريتم هاي مورد استفاده است. در اين مقاله دو روش كاهش ب با تعداد مولفه هاي متفاوت و يك الگوي انتخاب ويژگي و جمعا ۳۰ مدل مختلف مورد بررسي قرار گرفته و مدل ها بر حسب دقت پيش بيني روي مجموعه داده هاي آزمايش و زمان مورد نياز براي پيش بيني ارزيابي شده اند. با بررسي عد تحليل مولفه هاي  به عمل آمده برترين عملكرد مربوط به الگوريتم ماشين بردار پشتيبان با انتخاب ويژگي و كاه

In this paper, we studied three machine learning algorithms, i.e. multinomial logistic regression, support vector machine, and random forests to recognize handwritten Persian digits. We studied two methods for dimension reduction and a feature selection method, and a total of 30 models were investigated. According to the results, we suggest the support vector machine with feature selection and principal components as the best mode