ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

طبقه بندی داده های نامتوازن توسط الگوریتم ماشین بردار پشتیبانی

سال انتشار: 1397
کد COI مقاله: ECMM01_081
زبان مقاله: فارسیمشاهد این مقاله: 177
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 14 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله طبقه بندی داده های نامتوازن توسط الگوریتم ماشین بردار پشتیبانی

مریم عمادالدین - دانشجوی کارشناسی ارشد مهندسی کامپیوتر، موسسه آموزش عالی غیرانتفاعی آبا
نسرین بدیع - استاد دانشگاه آزاد اسلامی واحد تهران جنوب
حمید خفاجه - هیات علمی موسسه آموزش عالی غیر انتغاعی آبا

چکیده مقاله:

طبقه بندی داده ها، یکی از ابزارهای مهم در استخراج دانش از داده ها می باشد. یکی از حوزه های مهم در داده کاوی طراحی الگوریتم های کلاس بندی با دقت بالا است. این امر به ویژه در شرایطی که داده ها دارای پراکندگی نامتوازن باشند، پیچیدگی بیشتری پیدا می کند . مجموعه داده های نامتوازن سهم زیادی از مجموعه داده های جهان واقعی را تشکیل می دهند. نحوه برخورد با داده های نامتوازن به عنوان یک مسیله چالش برانگیز در داده کاوی شناخته می شود، به نحوی که شناسایی داده های رده کوچک تر با اشتباهات بسیاری روبرو استامروزه پردازش داده های نامتوازن، به دلیل گستردگی آنها در بسیاری از مسایل دنیای واقعی، مورد توجه محققان قرار گرفته است. به عنوان نمونه، مجموعه داده های نامتوازن اگر مربوط به اطلاعات افراد بیمار باشند، گروهی از این افراد که مبتلا به سرطان هستند جزء کلاس حداقلی می شوند و گروه اکثریت سالم هستند. بنابراین این حداقل داده ها در کل مجموعه افراد ممکن است در هنگام طبقه بندی به صورت سنتی، فرد سرطانی به عنوان فردی سالم دسته بندی شود و یا برعکس و یا دربررسی یک شبکه نفوذی فرد خاطی جزء داده های نویز در نظر گرفته شود و از مجموعه داده حذف شود. از بهترین روش های طبقه بندی داده های نامتوازن، ماشین بردار پشتیبان است. در این مقاله ما به چگونگی استفاده از ماشین بردار پشتیبان و استفاده از تابع کرنل می پردازیم و با توجه به مجموعه داده واقعی انتخاب شده چهار نوع کرنل مورد استفاده در ماشین بردار پشتیبان را ارزیابی می کنیم.

کلیدواژه ها:

داده های نامتوازن، انتخاب ویژگی، یادگیری هسته چند گانه، ماشین بردار پشتیبان

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/805361/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
عمادالدین، مریم و بدیع، نسرین و خفاجه، حمید،1397،طبقه بندی داده های نامتوازن توسط الگوریتم ماشین بردار پشتیبانی،کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام،کرج،،،https://civilica.com/doc/805361

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1397، عمادالدین، مریم؛ نسرین بدیع و حمید خفاجه)
برای بار دوم به بعد: (1397، عمادالدین؛ بدیع و خفاجه)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: موسسه غیرانتفاعی
تعداد مقالات: 340
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره 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.

پشتیبانی