ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

مقایسه طبقه بندی داده های نامتوازن توسط الگوریتم ماشین بردار پشتیبانی با الگوریتم شبکه عصبی

سال انتشار: 1397
کد COI مقاله: ECMM01_082
زبان مقاله: فارسیمشاهده این مقاله: 433
فایل این مقاله در 9 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 9 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مقایسه طبقه بندی داده های نامتوازن توسط الگوریتم ماشین بردار پشتیبانی با الگوریتم شبکه عصبی

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:

به طور کلی هدف داده کاوی، یادگیری و آموختن از داده ها است. داده کاوی با بهره گیری از ابزارهای تجزیه و تحلیل داده ها به منظور کشف الگوها و روابط معتبری که تاکنون ناشناخته بوده اند به طبقه بندی داده ها می پردازد. این ابزارها ممکن است مدل های آماری، الگوریتم های ریاضی و روش های یاد گیرنده باشند که این کار خود را به صورت خودکار و بر اساس تجربه ای که از طریق شبکه های عصبی یا ماشین برداری پشتیبان به دست می آورند بهبود می بخشد. با توجه به اینکه داده های کنونی از حالت ساختاریافته و متوازن به سمت غیرساختاری و نامتوازن می روند و حجم این مدل مجموعه داده ها در دنیای واقعی چشمگیرتر شده است. ماشین بردار پشتیبانی تعمیم خوبی برای داده های نامتوازن و همچنین توانایی یادگیری یک رابطه غیر خطی بین داده ها و متغیر هدف است و در مقایسه با روشی مانند شبکه عصبی ساده تر، دقت و سرعت اجرایی بالاتر و خطای پایین تری دارد. در این مقاله به شبیه سازی بر روی مجموعه داده واقعی نامتوازن برگرفته از پایگاه داده UCI می پردازیم و نتایج را در دو روش SVM و شبکه عصبی با توجه به سه معیار ارزیابی صحت، خطا و زمان اجرای الگوریتم مقایسه می کنیم تا ثابت کنیم یکی از پرکابردترین روش های کلاسیک طبقه بندی داده ها در داده کاوی برای داده های واقعی نامتوازن نمی تواند جواب دقیقی بدهد و باید از روش های نوین مانند ماشین بردار پشتیبان برای اینگونه داده ها استفاده کرد.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا ECMM01_082 میباشد و 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/805362/

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،مقایسه طبقه بندی داده های نامتوازن توسط الگوریتم ماشین بردار پشتیبانی با الگوریتم شبکه عصبی،کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام،کرج،https://civilica.com/doc/805362

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
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

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: 353
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