مطالعه ای بر روش های متوازن سازی در سطح داده ها در رویکردهای تحت یادگیری با نظارت
محل انتشار: پنجمین کنفرانس ملی مهندسی برق،کامپیوتر و مکانیک
سال انتشار: 1398
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,663
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ECME05_034
تاریخ نمایه سازی: 13 بهمن 1398
چکیده مقاله:
با توسعه علوم داده ها به خصوص تکنیک های داده کاوی استفاده از رویکردهای تحت یادگیری با نظارت نیز گسترش یافته است. هنگامی که در یک فرایند داده کاوی مبتنی بر یادگیری با نظارت از یک مجموعه داده کاوی کلاس های با ماهیت فوق العاده نامتوازن استفاده می شود سوگیری بسیار از الگوریتم های داده کاوی نیز به سمت پیش بینی کلاس اکثریت متمایل می شود، این در حالی است که در چنین رویکردهایی عموما تشخیص صحیح برچسب کلاس اقلیت حائز اهمیت است. یکی از روش های حل مشکل فوق، استفاده از روش های متوازن سازی در سطح داده ها است که خود مبتنی بر روش های تحت Oversampling و Undersampling است. با توجه به اهمیت موضوع به نظر می رسد وجود یک پژوهش در راستای مطالعه جامع تر روش هی مذکور ضروری به نظر می رسد، در این پژوهش روش های متوازن سازی در سطح داده ها شامل Random over sampling و Random Under sampling و ADASYN و SMOTE به شکل جاع تر و با جزئیات بیشتری نسبت به مطالعات پیشین مورد بررسی و مطالعه قرار می گیرد.
کلیدواژه ها:
نویسندگان
احسان شفیعی نژاد
کارشناس ارشد مهندسی نرم افزار، دانشگاه رجاء