ارائه روش جدید نمونه گیری مبتنی بر رتبه بندی نمونه ها و خوشه بندی کاهشی
محل انتشار: همایش مهندسی کامپیوتر و توسعه پایدار با محوریت شبکه های کامپیوتری، مدلسازی و امنیت سیستم ها
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,507
فایل این مقاله در 9 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:
CESD01_028
تاریخ نمایه سازی: 25 اسفند 1392
چکیده مقاله:
در مسائل طبقه بندی تعداد نمونه های هر کلاس می تواند متفاوت باشد در مسائل طبقه بندی باینری، مساله عدم توازن هنگامی رخ می دهد که یک کلاس تعداد نمونه های بسیاری دارد در حالی که کلاس دیگر توسط تعداد نمونه های کمی نمایش داده می شود. در این مقاله بر روی روش های under-sampling (نمونه گیری از داده های با کلاس اکثریت) تمرکز می کنیم در روش پیشنهادی ابتدا با استفاده از روش خوشه بندی کاهشی، نمونه های اکثریت را به تعدادی خوشه تقسیم و سپس با رتبه بندی نمونه های هر خوشه، تعدادی نمونه انتخاب می کنیم. نمونه های اکثریت انتخاب شده با همراه نمونه های اقلیت، مجموعه داده نهایی را تشکیل می دهند. آزمایش را بر روی 20 مجموعه داده از مجموعه داده های KEEL اجرا و سپس نتایج بدست آمده را با استفاده از تست های آماری تحلیل می کنیم. نتایج حاصل نشان می دهد که کارایی الگوریتم طبقه بندی با استفاده از روش پیشنهادی بهبود می یابد.
کلیدواژه ها:
نویسندگان
محبوبه مهدی زاده
دانشجوی کارشناسی ارشد هوش مصنوعی دانشگاه شهید باهنر کرمان
مهدی افتخاری
عضو هیات علمی دانشگاه شهید باهنر کرمان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :