این مقاله به ارائه یک درخت تصمیم مبتنی بر تابع هزینه ماشین بردار پشتیبان می پردازد. استفاده از حاشیه اطمینان در طبقه بندی روش پیشنهادی را نسبت به درخت تصمیم C5 کاراتر کرده است. از طبقه بند پیشنهادی که نام ماشین بردار پشتیبان چند شاخه ای بر آن نهاده ایم، در شناسایی و استخراج قانون از روی داده ها پرداخته می شود. چند مجموعه داده از بانک اطلاعاتی UCI انتخاب می گردد. مقایسه روش پیشنهادی با روش C5 برتری آنرا نشان می دهد. ارائه یک مفهوم عدم طبقه بندی در روش پیشنهادی برای نمونه های آزمون این امکان را می دهد تا از طبقه-بندهای دیگر به شکل سلسله مراتبی در جهت افزایش کارایی سیستم بهره برد که به کار آتی سپره می شود. هزینه کم در ایجاد درخت با تابع هزینه ماشین بردار پشتیبان نسبت به C5که از آنتروپی و جستجوی کلی و خوشه بندی بهره می برد از دیگر برتری های روش ارائه شده است. استفاده از روش پیشنهادی در استخراج قوانین در شناسایی پوست نتایج جالبی روی تصاویر می دهد که حاکی از قوانین ساده، قابل فهم برای بشر و کم روی تصاویر رنگی بدست می دهد. سادگی بکارگیری روش ارائه شده در آشکارسازی هدف در صحنه های ویدیویی نوید استفاده آن، توسط دیگر محققین است.

کلمات کلیدی