دسته بندی مجموعه داده های نامتوازن با استفاده از روشهای یادگیری ماشین
محل انتشار: نخستین سمپوزیوم ملی رباتیک و هوش مصنوعی
سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,749
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
PNUOPEN01_013
تاریخ نمایه سازی: 14 مرداد 1394
چکیده مقاله:
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.
کلیدواژه ها:
مجموعه داده های نامتوازن ، الگوریتم بگینگ ، درخت تصادفی C4.5 حساس به هزینه ، الگوریتم رقابت استعماری ، معیار G-Mean
نویسندگان
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 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 :