Advancing Binary Imbalanced Classification: A Novel Hybrid SamplingApproach for Noise Reduction and Data Integrity
- سال انتشار: 1403
- محل انتشار: اولین کنفرانس بین المللی دوسالانه هوش مصنوعی و علوم داده
- کد COI اختصاصی: DSAI01_001
- زبان مقاله: انگلیسی
- تعداد مشاهده: 349
نویسندگان
Faculty of Data Science and Intelligent Systems, Persian Gulf University, Bushehr, Iran
Faculty of Data Science and Intelligent Systems, Persian Gulf University, Bushehr, Iran
Faculty of Data Science and Intelligent Systems, Persian Gulf University, Bushehr, Iran
چکیده
In machine learning, dealing with binary imbalanced data classification ischallenging due to unequal class sizes, leading to model bias. We propose a unique methodthat uses filtering, ADASYN oversampling, and ENN cleaning to balance data, improveminority class accuracy, and boost overall model performance, showing significantimprovements in AUC, F۱, and G-mean metrics.کلیدواژه ها
Imbalanced learning, Sampling technique, Classification, ADASYNمقالات مرتبط جدید
- یادگیری بازنمایی بصری متضاد مبتنی بر رویکردهای تعاملی و تخاصمی
- هوشمندسازی مدارس
- هوش مصنوعی و تحلیل بقا برای پیش بینی طول عمر حرفهای بازیکنان بسکتبال NBA با استفاده از دادههای پزشکی و عملکردی
- هوش مصنوعی در سیستم های قدرت
- هوش مصنوعی در خدمت تاریخ: بازخوانی سنگ نبشته های تخت جمشید با بهره گیری از فناوریهای تشخیص نوشتار و تحلیل زبان
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.