استفاده از الگوهای مرزی و غیر مرزی در طبقه بندی داده های نامتوازن
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 733
- Certificate
- I'm the author of the paper
Export:
Document National Code:
COMCONF03_129
Index date: 26 April 2017
استفاده از الگوهای مرزی و غیر مرزی در طبقه بندی داده های نامتوازن abstract
مسیله کلاس های نامتوازن مشکلی است که اکثر طبقه بندها در برخورد با این کلاس ها خوب عمل نمی کنند. اکثر طبقه بندها در تشخیص کلاس اقلیت و اکثریت دیتاست های نامتوازن به خطا می انجامند. برای برخورد با این مشکل محققان، ابتدا سایز کلاس ها را متوازن می کنند. برای انجام این کار از روش های under sampling کلاس اکثریت و یا over sampling کلاس اقلیت استفاده می شود. سپس دادهای متوازن شده را برای آموزش طبقه بند مورد استفاده قرار می دهند. این عمل منجر به ایجاد الگوهای موردعلاقه برای انجام عمل طبقه بندی می شود. از طرفی با انجام متوازن کردن کلاس ها، می توان مقدار پارامتر AUC را افزایش داد. AUC یک کمیت اندازه گیری خوب برای بیان میزان کارایی طبقه بندی است. در این مقاله، ما با استفاده از روش های جداسازی الگوهای مرزی و غیر مرزی، کلاس اکثریت و اقلیت را به این دو مجموعه تبدیل می کنیم. تحت عمل under sampling الگوهای مرزی کلاس اکثریت را حذف می کنیم. این به نوعی باعث متوازن شدن دیتاست نامتوازن می شود. نتیجه این که کمیت AUC بهبود داده می شود. آزمایش های انجام شده بهبود AUC را نسبت به سایر الگوریتم ها نشان می دهد.
استفاده از الگوهای مرزی و غیر مرزی در طبقه بندی داده های نامتوازن Keywords:
استفاده از الگوهای مرزی و غیر مرزی در طبقه بندی داده های نامتوازن authors
علی یعقوبی
کارشناس ارشد مهندسی نرم افزار موسسه آموزش عالی پارس رضوی شهرستان گناباد
حمیدرضا رضاپور
دانشجوی کارشناسی ارشد هوش مصنوعی آستان قدس رضوی-کتاخانه امام رضا(ع)
محسن کرامتی شهری
دانشگاه آزاد اسلامی مشهد، واحد مشهد
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 :