Overview

Duża ilośc danych generowanych online umożliwila naukowcom zajmującym się danymi analizowanie tych informacji i wyciąganie wniosków z różnych dziedzin. Jednak dane w czasie rzeczywistym są często podatne na brak równowagi, co może obniżyc jakośc danych i stanowi poważne wyzwanie w dziedzinie uczenia maszynowego. Techniki oparte na próbkowaniu i modele oparte na algorytmach to dwie podstawowe metody stosowane do rozwiązywania i równoważenia nierównowagi danych. W niniejszej rozprawie przedstawiono trzy różne techniki zarządzania różnymi poziomami nierównowagi w danych w czasie rzeczywistym.Początkowe podejście proponuje technikę opartą na próbkowaniu zintegrowaną z mechanizmem bagging w celu radzenia sobie z nierównowagą danych. Model identyfikuje nierównowagę danych opartą na klasach i wykonuje nadpróbkowanie dla każdej dostępnej klasy. Mechanizm bagging polega na tworzeniu podzbiorów danych szkoleniowych, mając na celu zróżnicowanie poziomów nierównowagi w danych szkoleniowych, aby zapewnic skuteczne przewidywanie. Mimo to efekt braku równowagi utrzymuje się w mechanizmie predykcji, prowadząc do nieprawidlowej klasyfikacji kilku klas mniejszościowych.

Full Product Details

9786208901547

Table of Contents

Reviews

Author Information

Tab Content 6

Countries Available