ماشین بردار پشتیبان در ابتدا برای حالت باینری ابداع شد سپس بعلت کاربرد آن الگوریتم های چند‐کلاسه طراحی شدند. مدل های ارائه شده حالتی را بررسی می کنند که در آن داده های ورودی ثابت و قطعی می باشند، در حالیکه در دنیای واقعی با داده های غیر قطعی و نادقیق سروکار داریم و از سویی در اغلب موارد داده ها بهم وابستگی دارند. لذا در این رویکرد به بررسی مدلی می پردازیم که در آن ورودی ها تصادفی و محدودیت مسئله احتمالی می باشد و همچنین داده ها وابستگی سطری دارند. در این مقاله از رویکرد یک در برابر همه به عنوان مدل اولیه در نظر گرفته شده است و برای اتصال مفصل ها به یک ماشین بردار پشتیبان، طبقه بندی تصادفی ارائه کرد. از این رو به جای توابع توزیع از توزیع حاشیه ای توابع مفصل ارشمیدسی استفاده می کنیم. با استفاده از شبیه سازی مونت کارلو روش پیشنهادی را مورد بررسی قرار می دهیم. نتایج بر روی داده های واقعی برتری کارایی مدل پیشنهاد شده را بر مدل های قطعی نشان می دهد.

کلمات کلیدی