بهبود کلاس بندی داده های نامتوازن با استفاده از ترکیب الگوریتم SMOTE و رقابت استعماری
Publish place: National Conference on Engineering Sciences, New Ideas (8)
Publish Year: 1393
Type: Conference paper
Language: Persian
View: 2,520
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
AIHE08_396
Index date: 4 November 2014
بهبود کلاس بندی داده های نامتوازن با استفاده از ترکیب الگوریتم SMOTE و رقابت استعماری abstract
در دنیای امروز مسئله دسته بندی داده های نامتوازن از اهمیت خاصی برخوردار است. دسته بندی این داده ها به گونه ای هست که ، کلاسی که از نظر دامنه کاربرد اهمیت زیادی دارد( کلاس اقلیت) شامل تعداد حالات کمتری نسبت به کلاسی است که از اهمیت خاصی برخوردار نیست ( کلاس اکثریت) بهمجموعه این داده ها داده های نامتوازن می گویند. روش های مختلفی برای دسته بندی این نوع داده ها ارائه شده است. در دسته بندی این داده ها می کوشیم تا تعداد حالات کلاس اقلیت را نسبت به کلاس اکثریت افزایش دهیم. در این مقاله، ما پیشنهاد می کنیم یک الگوریتم جدید و موثر بر کلاس بندی داده های 5 سال بیماران سرطانی که در این دیتاست خاصیت نامتوازن بودن وجود دارد. الگوریتم پیشنهادی ترکیبی از الگوریتم های SMOTE ، الگوریتم رقابت اسعتماری ICA و برخی از کلاسیفایرهای مشهور است و همچنین برای محاسبه کارای الگوریتم پیشنهادی از ارزیاب هایی مانند Sensitivity, Specificity , Accuracy,GMean استفاده شده است. نتایج نشان می دهد که ترکیب الگوریتم های SMOTE+ICA+C5 بهترین نتیجه را در کلاس بندی داده های نامتوازن دارد. پس این یک رویکرد موثر در کلاس بندی داده های نامتوازن است.
بهبود کلاس بندی داده های نامتوازن با استفاده از ترکیب الگوریتم SMOTE و رقابت استعماری Keywords:
بهبود کلاس بندی داده های نامتوازن با استفاده از ترکیب الگوریتم SMOTE و رقابت استعماری authors
عارف طهماسب
دانشجوی کارشناسی ارشد دانشگاه شهید باهنر
علی اکبر نیک نفس
استادیار دانشگاه شهید باهنر
حمید علی میروزیری
استادیار دانشگاه شهید باهنر
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 :