استفاده از دسته بندهای تجمیعی برای دادههای نامتوازن و کاربرد آنها در دادههای مامایی

استفاده از دسته بندهای تجمیعی برای دادههای نامتوازن و کاربرد آنها در دادههای مامایی

Publish place: 2nd Lahijan National Conference on Software Engeering

Publish Year: 1391

نوع سند: مقاله کنفرانسی

زبان: Persian

This Paper With 6 Page And PDF Format Ready To Download

دریافت فایل کامل Paper

Certificate
من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

https://civilica.com/doc/184831

شناسه ملی سند علمی:

LNCSE02_072

تاریخ نمایه سازی: 6 اسفند 1391

Abstract:

در این مقاله، مسئله یادگیری دادههای بهشدت نامتوازن، مورد مطالعه قرار گرفته است. دادههای نامتوازن به این معناست که دستههای هدف از دادهها در جدول توزیع منحرف میشوند؛ حداقل، نمونههای یک دسته بهطور قابل توجهی بیشتر از دستههای دیگر وجود دارد. روشهای دستهبندی سنتی، بهدنبال بهحداقلرساندن میزان کلی خطا از کل مجموعهی آموزش، بر روی دادههای نامتوازن بهخوبی عمل نمیکند، زیرا آنها معمولاً فرض میکنند توزیع یک کلاس نسبتاًمتوازن است و انرژی زیادی بر روی یادگیری دادههای نامتوازن کلاس اکثریت میگذارند که این موضوع اهمیت زیادی دارد و در بسیاری از برنامههای کاربردی چالشبرانگیز است. مجموعه داده مورد استفاده در این مقاله از 7272 نوزاد که در بیمارستان شهید رجایی شهرستان آران و بیدگل استان اصفهان که در بین سال های 1832 و 1837 متولد شدهاند، جمعآوری شده است. بهطور کلی، برخورد با کلاس اقلیت نیاز به مفاهیم جدید، بررسیها و راهحلهایی بهمنظور درک کامل از مدلهای اساسی پیچیده دارد. در این مقاله، توجه بخصوصی به مسئله دستهبندی دودویی نامتوازن شده است و چندین روش یادگیری تجمیعی موثر برای حل این مسئله پیشنهاد شده است

Keywords:

داده های نامتوازن , داده های مامایی , دسته بندی , روشهای تجمیعی

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :

new Feature [1] Aءه Karabatak, M., Ince, M. C., (2009). ...
Bennett, _ P., Mangasarian, O. L. (1992). "Robust linear programming ...
Freed, E., & Glover, F. (1981). _ linear programming approach ...
Mitchell T. (1997). "Machine Learning", New York: McGraw Hill. ...
Duda R. O. Hart P. E., Stork D. G., "Pattern ...
Quinlan J. R. (1993). _ Programs for Machine Learning". San ...
Vapik V., "The Nature of Statistict Learning Theory". New York: ...
Burges C. J. C. (1998). "A tutorial on support vector ...
McLachlan , J. (2004). "Discriminat Analysis and Statistical Pattern Recognition". ...
Opitz D., Maclin R.. Popular ensemble methods: An [10] empirical ...
Dietterich T G. (2000). "Ensemble methods in [11] machine learning". ...
Polikar R. (2006). "Ensemble based systems in [12] decision making". ...
Domingos P. (1997). "Why does bagging work? A [13] Bayesian ...
Davidson Ian (2004). "An ensemble technique for [14] bounds", ...
Proceedings of the 19th National Conference _ Artifical Intelligence. (AAAI-2004), ...
Tan P., Steinbach M., Kumar V. (2006). "Introduction [15] to ...
Freund Y., Schapire R.E. (1996). "Experiments with a [16] 13th ...
International Conference Machine Learning, Bari, Italy, pp. 148-156. ...
Quinlan J. R. (1996). "Bagging, boosting, and C4.5". [17] Proceedings ...
Freund Y., Mason L. (1999). "The alternating decision [18] tree ...
Schapire R. E.(1999)." A brief introduction to [19] International Joint ...
Conference Artificial Intelligence, Orlando, FL, vol. 2, pp. 1401-1406. ...
Dietterich T. G. (2000). "Ensemble methods in [20] machine learning". ...
Breiman L. (2001) _ "Random forests". Machine [21] Learning, vol. ...
Dietterich T. , (2002). "Ensemble learning". In The [22] Handbook ...
Fan W., Stolfo S. J., Zhang J. (1999).، "AdaCost: [23] ...
Tang Y.C., Zhang Y.-Q., Chawla N. V... :SVM [24] modeling ...
Sun Y., Kamel M.S., Wong A.K.C., Wang Y. (2007). [25] ...
Kukar M.Z., Kononenko I (1998), "Cost-sensitive [26] learning with neural ...
Maloof M. A (2003). "Learning when data ses are [27] ...
McCarthy K., Zabar B., Weiss G.M. (2005). "Does [28] cost-sensitive ...
Liu X.-Y., Zhou Z.-H. (2006), "The influence of class [29] ...
He H., Garcia E. A, (2009). "Learning from [30] imbalanced ...
Kubat M., Matwin S. (1997), "Addressing the curse of [31] ...
Internal _ Algorithm level Methods Algorithms kernel-Basedء Cost-S ensitive learning ...
Under- Sampling 2"Misclas sified ...

نمایش کامل مراجع