مطالعه ای بر روش های متوازن سازی در سطح داده ها در رویکردهای تحت یادگیری با نظارت

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

کلیدواژه‌ها

نویسندگان

احسان شفیعی نژاد

کارشناس ارشد مهندسی نرم افزار، دانشگاه رجاء

�فیعی نژاد، احسان،1398،مطالعه ای بر روش های متوازن سازی در سطح داده ها در رویکردهای تحت یادگیری با نظارت،پنجمین کنفرانس ملی مهندسی برق،کامپیوتر و مکانیک،شیروان

ارائه‌شده در

کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک7 مهر 1405 · شیروان