بهبود کلاس بندی داده های نامتوازن با استفاده از ترکیب الگوریتم رقابت استعماری والگوریتم SMOTE

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 879

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

MHAA01_070

تاریخ نمایه سازی: 17 اسفند 1393

چکیده مقاله:

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

کلیدواژه ها:

صلاحیت مدیریت افراد سازمان ها ، الگوریتم رقابت استعماری ، داده های نامتوازن ، کلاس بندی داده های نامتوازن

نویسندگان

عبدالحسین خسرویان

دانشگاه آزاد اسلامی

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 :
  • JW.C. Yeh, W.W. Chang, Y.Y. Chung, 2009. A new hybrid ...
  • A.K. Mohanty, S. Sahoo, A. Pradhan, S.K. Lenka, 2011. Breast ...
  • World Health Organization, Quick Cancer Facts, 2010, Retrieved September 22, ...
  • C. DeSantis, R. Siegel, P. Bandi, A. Jemal, 2011. Breast ...
  • Q. Gu, Z. Cai, L. Ziu, 2009. Classification of imbalanced ...
  • H. He, E.A. Garcia, 2009 Learning from Imbalanced Data, IEEE ...
  • Y. Chen, 2009.Learning Classifiers from Imbalanced, Only Positive and Unlabeled ...
  • I N.V. Chawla, K.W. Bowyer, L.O. Hall, W.P. Kegelmeyer, 2002 ...
  • L. Pelayo, S. Dick, 2007.Applying novel resampling strategies to software ...
  • A. Lazarevic, J. Srivastava, V. Kumar, 200)4. Tutorial data mining ...
  • Institute, DCCPS , Surveillance Research Program, Cancer Statistics Branch, released ...
  • K.Jeng Wang , B.Makond, 2013.Applid Soft Computing, A hybrid classifier ...
  • نمایش کامل مراجع