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

Using Gaussian Naïve Bayes in Active Learning

سال انتشار: 1398
کد COI مقاله: ICIKT10_070
زبان مقاله: انگلیسیمشاهد این مقاله: 168
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

خرید و دانلود فایل مقاله

متن کامل (فول تکست) این مقاله منتشر نشده و یا در سایت موجود نیست و امکان خرید آن فراهم نمی باشد.

مشخصات نویسندگان مقاله Using Gaussian Naïve Bayes in Active Learning

Yasaman Asghari - Department of Computer Engineering and Data mining laboratory Alzahra University Tehran, Iran
Mohammad Reza Keyvanpour - Department of Computer Engineering Alzahra University Tehran, Iran

چکیده مقاله:

Nowadays supervised approach has many applications in different classification problems. Although these approaches have achieved many successes, they need large amount of training data. In this type of approach, all of the samples in dataset should be labeled which will be costly. Moreover in most of supervised learning approaches samples will be chosen randomly and because training is based on samples with similar data provided to system before will have less training effect on model. So a large amount of training data have low training effect on training process. In addition if training is based on a special type of frequently encountered samples, overfitting problem will occur. Active learning is presented to solve this problem in which samples with the most favorable impact on training process are selected repeatedly. Active learning tries to achieve maximum learning effect by utilizing a goal-driven approach with minimum number of training samples and subsequently minimum amount of labeling. Correct utilization of Active Learning can turn it into a powerful tool to cope with situation in which we are faced with deficient labeled data. In this paper, we propose a new model using active learning and Gaussian Naïve Bayes algorithm, which increases the accuracy of classification with a small number of training samples and the problem of overfitting does not occur

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/982304/

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:
Asghari, Yasaman and Keyvanpour, Mohammad Reza,1398,Using Gaussian Naïve Bayes in Active Learning,دهمین کنفرانس فناوری اطلاعات و دانشIKT2019,تهران,,,https://civilica.com/doc/982304

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: (1398, Asghari, Yasaman؛ Mohammad Reza Keyvanpour)
برای بار دوم به بعد: (1398, Asghari؛ Keyvanpour)
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: دانشگاه دولتی
تعداد مقالات: 5,708
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 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