روش هزینهدهی جدید برای کلاسبندی دادههای نامتوازن در روشهای boostingحساس به هزینه

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 718

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

STSEE01_089

تاریخ نمایه سازی: 28 آذر 1392

چکیده مقاله:

مشکل توزیع نامتوازن داده در کلاسها در مواقعی مطرح میشود که نمونههای موجود در برخی کلاسها از سایر کلاسها بیشتر باشد، این مسئله بخصوص در کاربردهای دوکلاسی مطرح می باشد که یک کلاس از نمونههای زیادی نسبت به کلاس دیگر برخوردار باشد. در اغلبموارد اهمیت بالای شناخت درست نمونههای متعلق به کلاس کمیاب موجب ایجاد روشهایی برای مواجهه با مشکل کلاسهای نامتوازن شده است که روشboosting حساس به هزینه، یکی از این روشها میباشد. این روش دارای دو مشکل اساسی است که عبارتند از 1)این روش با فرض وجود مقادیر هزینه اقدام به یادگیری میکند در صورتی که چنین مقادیری در اغلب کاربردها در دسترس نمیباشد. 2)این روش ضمن افزایش دقت متوازن بین کلاسها، موجب افت دقت کلی میشود، در این تحقیق روش جدیدی برای تخصیص هزینه بهکلاسها ارائه میشود که دقت متوازن بین کلاسها و دقت کلی را بطور همزمان افزایش میدهد و بدین صورت دو مشکل ذکر شده را مرتفع مینماید

کلیدواژه ها:

کلاسبندی دادههای نامتوازن. روشboosting حساس به هزینه . روشهای طبقهبندیکننده دستهجمعی

نویسندگان

مهسا طاهری

دانشگاه آزاد اسلامی واحد زنجان، گروه ارشد مهندسی کامپیوتر

بهرام صادقی بی غم

دانشکده علوم کامپیوتر و فناوری اطلاعات، دانشگاه تحصیلات تکمیلی در علومپایه ،زنجان استادیار،

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • classification of imbalanced data", Pattern Recognition 40 (2007) 3358 - ...
  • Recognition 44 (2011) 1801-1810 v. Garcia, J. S. Sanchez , ...
  • Systems 25 (2012) 13-21 Crows ...
  • Edition , ISBN: 1 -892095-02-5, 1999 M. Kawakita , M. ...
  • comparison to generalized additive models", Fisheries Research 76 (2005) 328-343 ...
  • Letters 31 (2010) 991-1001 and ...
  • Generalization of On-Line Learning and can Application to Boosting", journal ...
  • Xinjian Guo, Yilong Yin, Cailing Dong, Gongping Yang, Guangtong Zhou, ...
  • نمایش کامل مراجع