بهبود الگوریتم فیلتر افراز تکراری با استفاده از طبقه بند k –نزدیک ترین همسایه فازی بازهای– مقدار برای طبقه بندی داده های نامتوازن
محل انتشار: چهارمین کنفرانس بین المللی مهندسی برق و کامپیوتر
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 392
فایل این مقاله در 11 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:
COMCONF04_071
تاریخ نمایه سازی: 10 تیر 1396
چکیده مقاله:
در بسیاری از مواقع داده ها یا اطلاعات ویژگی هایی دارند که به کارایی طبقه بند ها لطمه وارد می کند. ما در این نوشتار به یکی از این مشکلات عمده پرداخته ایم که آن را با اصطلاح داده های نامتوازن می شناسیم. در گذشته برای برخوردمناسب با داده های نامتوازن روش هایی ارایه شده است که ما تلاش می کنیم یکی از این راه کار ها را بهبود دهیم؛ فیلتر افراز تکراری روشی است که پس از رساندن داده ها به وضعیت توازن به وسیله داده های ساختگی، وارد عمل شده و دادههای نویزی و مرزی که برای طبقه بند مشکل ساز هستند را با اعمال محدودیت هایی و البته به صورت کنترل شده حذفمی کند. این فیلتر در تعداد مشخصی تکرار، از یک الگوریتم برای شناسایی داده های بد استفاده می کند و در ادامه تحت شرایطی آن ها را حذف می کند. ما برای بهبود این فیلتر الگوریتمی را معرفی می کنیم که توسعه ای ازk- نزدیک ترین همسایه فازی با استفاده از مجموعه های فازی بازه ای–مقدار است. استفاده از این فیلتر نتایج خیلی مناسبی را به همراه داشت و کارایی طبقه بند نهایی را به خوبی ارتقاء داد
کلیدواژه ها:
نویسندگان
سعید زراعت کار
بخش مهندسی کامپیوتر ، دانشکده فنی مهندسی ، دانشگاه شهید باهنر ، کرمان ، ایران
فاطمه افسری
استادیار بخش مهندسی کامپیوتر ، دانشکده فنی مهندسی ، دانشگاه شهید باهنر ، کرمان ، ایران
مهدی افتخاری
دانشیار بخش مهندسی کامپیوتر ، دانشکده فنی مهندسی ، دانشگاه شهید باهنر ، کرمان ، ایران
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 :