سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

دسته بندی مجموعه داده های نامتوازن با استفاده از روشهای یادگیری ماشین

Publish Year: 1393
Type: Conference paper
Language: Persian
View: 1,776

This Paper With 7 Page And PDF Format Ready To Download

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:

Document National Code:

PNUOPEN01_013

Index date: 5 August 2015

دسته بندی مجموعه داده های نامتوازن با استفاده از روشهای یادگیری ماشین abstract

یکی از مسائل مهم در زمینه داده کاوی، مسئله دسته بندی مجموعه داده های نامتوازن است. اصطلاح «مجموعه داده نامتوازن»، عموماً به مجموعه داده ای گفته می شود که تعداد نمونه ها در کلاس های گوناگون اختلاف بسیاری داشته باشند. روش های دسته بندی سنتی، به منظور به حداقل رساندن میزان خطا کلی، بر روی داده های نامتوازن به خوبی عمل نمی کنند، زیرا آنها به طور معمول فرض می کنند توزیع کلاس ها متوازن است. این موضوع اهمیت زیادی دارد و به عنوان یک مسئله چالش برانگیز شناخته می شود. در این مقاله داده ها بر اساس الگوریتم بگینک که از درخت تصادفی C4.5 حساس به هزینه به عنوان دسته بند کننده منفرد استفاده کرده استف دسته بندی شده اند. همچنین برای مشخص کردن هزینه دسته بندی نادرست کلاس ها به منظور ساخت درخت حساس به هزینه، از الگوریتم رقابت استعماری استفاده شده است.

دسته بندی مجموعه داده های نامتوازن با استفاده از روشهای یادگیری ماشین Keywords:

مجموعه داده های نامتوازن , الگوریتم بگینگ , درخت تصادفی C4.5 حساس به هزینه , الگوریتم رقابت استعماری , معیار G-Mean

دسته بندی مجموعه داده های نامتوازن با استفاده از روشهای یادگیری ماشین authors

پریسا سعیدی پور

دانشکده مهندسی، دانشگاه شهید چمران، اهواز

علیرضا عصاره

دانشکده مهندسی، دانشگاه شهید چمران، اهواز

بیتا شادگار

دانشکده مهندسی، دانشگاه شهید چمران، اهواز

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 :
Galar, Fernandez, Barrenechea, Bustince and Herrera, "A Review oم Ensembles ...
Wang and Yao, "Diversity Analysis _ Imbalanced Datasets by Using ...
Krawczyk and Schaefer, "An Improved Ensemble Approach for Imbalanced Classification ...
Jia, Zhang and He, "A New Sampling Approach for Classification ...
Cao, Yang, Li, Zhao and Zaiane, _ 'Ensemb le-Based Hybrid ...
Atif Tahir, Kittler and Yan, "Inverse random under sampling for ...
Cao, Zhao and Zaiane, "Measure optimized wrapper frame work for ...
نمایش کامل مراجع

مقاله فارسی "دسته بندی مجموعه داده های نامتوازن با استفاده از روشهای یادگیری ماشین" توسط پریسا سعیدی پور، دانشکده مهندسی، دانشگاه شهید چمران، اهواز؛ علیرضا عصاره، دانشکده مهندسی، دانشگاه شهید چمران، اهواز؛ بیتا شادگار، دانشکده مهندسی، دانشگاه شهید چمران، اهواز نوشته شده و در سال 1393 پس از تایید کمیته علمی نخستین سمپوزیوم ملی رباتیک و هوش مصنوعی پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله مجموعه داده های نامتوازن، الگوریتم بگینگ، درخت تصادفی C4.5 حساس به هزینه، الگوریتم رقابت استعماری، معیار G-Mean هستند. این مقاله در تاریخ 14 مرداد 1394 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 1776 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که یکی از مسائل مهم در زمینه داده کاوی، مسئله دسته بندی مجموعه داده های نامتوازن است. اصطلاح «مجموعه داده نامتوازن»، عموماً به مجموعه داده ای گفته می شود که تعداد نمونه ها در کلاس های گوناگون اختلاف بسیاری داشته باشند. روش های دسته بندی سنتی، به منظور به حداقل رساندن میزان خطا کلی، بر روی داده های نامتوازن به خوبی ... . این مقاله در دسته بندی موضوعی یادگیری ماشین طبقه بندی شده است. برای دانلود فایل کامل مقاله دسته بندی مجموعه داده های نامتوازن با استفاده از روشهای یادگیری ماشین با 7 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.