بهبود کلاس بندی داده های نامتوازن با استفاده از ترکیب الگوریتم رقابت استعماری والگوریتم SMOTE
Publish place: The first national conference on meta-heuristic algorithms and their applications in science and engineering
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 870
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
MHAA01_070
تاریخ نمایه سازی: 17 اسفند 1393
Abstract:
امروزه انتخاب مدیران برجسته یک مسئله بسیارمهم درسازمانهای دولتی می باشد افرادی که شایستگی مدیریتی دارند کسانی هستند که دارای چندین ویژگی باشند که دراین مقاله به این ویژگیها اشاره شده است و براساس این پارامترها پیش بینی شده است که کدام افراد دارای صلاحیت مدیریتی هستند دراین مقاله افراد چندسازمان یکی ازشهرهای کشور مورد بررسی قرارگرفته است و مشخص شده است که کدام افراددارای صلاحیت مدیریتی هستند این افراد بدلیل اینکه رتبه توانمندی بالایی دارند معمولا تعدادشان درکلاس اقلیت است ولی کسانی که این صلاحیت را ندارند تعدادشان درکلاس اکثریت م یباشد این مجموعه داده خاصیت نامتوازن دارد دردنیای امروز مسئله کلاس بندی داده های نامتوازن ازاهمیت خاصی برخوردار است دسته بندی این داده ها به گونه ای است که کلاسی که ازنظر دامنه کاربرد اهمیت زیادی دارد کلاس اقلیت شامل تعدادحالات کمتری نسبت به کلاسی است که ازاهمیت خاصی برخوردارنیست کلاس اکثریت به مجموعه این داده ها داد های نامتوازن میگویند روشهای مختلفی برای دسته بندی این نوع داده ها ارایه شده است دراین مقاله الگوریتم پیشنهادی ترکیبی ازالگوریتم های SMOTE الگوریتم رقابت استعماری lca و درخت تصمیم گیری C5 می باشد وهمچنین برای محاسبه کارایی الگوریتم پیشنهادی ازمعیارهای ارزیابی مانند Accuracy,GMean , Specificity Sensitivity استفاده شده است
Keywords:
صلاحیت مدیریت افراد سازمان ها , الگوریتم رقابت استعماری , داده های نامتوازن , کلاس بندی داده های نامتوازن
Authors
عبدالحسین خسرویان
دانشگاه آزاد اسلامی
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 :