استفاده از الگوهای مرزی و غیر مرزی در طبقه بندی داده های نامتوازن

چکیده مقاله

مسیله کلاس های نامتوازن مشکلی است که اکثر طبقه بندها در برخورد با این کلاس ها خوب عمل نمی کنند اکثر طبقه بندها در تشخیص کلاس اقلیت و اکثریت دیتاست های نامتوازن به خطا می انجامند برای برخورد با این مشکل محققان، ابتدا سایز کلاس ها را متوازن می کنند برای انجام این کار از روش های under sampling کلاس اکثریت و یا over sampling کلاس اقلیت استفاده می شود سپس دادهای متوازن شده را برای آموزش طبقه بند مورد استفاده قرار می دهند این عمل منجر به ایجاد الگوهای موردعلاقه برای انجام عمل طبقه بندی می شود از طرفی با انجام متوازن کردن کلاس ها، می توان مقدار پارامتر AUC را افزایش داد AUC یک کمیت اندازه گیری خوب برای بیان میزان کارایی طبقه بندی است در این مقاله، ما با استفاده از روش های جداسازی الگوهای مرزی و غیر مرزی، کلاس اکثریت و اقلیت را به این دو مجموعه تبدیل می کنیم تحت عمل under sampling الگوهای مرزی کلاس اکثریت را حذف می کنیم این به نوعی باعث متوازن شدن دیتاست نامتوازن می شود نتیجه این که کمیت AUC بهبود داده می شود آزمایش های انجام شده بهبود AUC را نسبت به سایر الگوریتم ها نشان می دهد

کلیدواژه‌ها

نویسندگان

علی یعقوبی

کارشناس ارشد مهندسی نرم افزار موسسه آموزش عالی پارس رضوی شهرستان گناباد

حمیدرضا رضاپور

دانشجوی کارشناسی ارشد هوش مصنوعی آستان قدس رضوی کتاخانه امام رضا ع

محسن کرامتی شهری

دانشگاه آزاد اسلامی مشهد، واحد مشهد

یعقوبی، علی و رضاپور، حمیدرضا و کرامتی شهری، محسن،1395،استفاده از الگوهای مرزی و غیر مرزی در طبقه بندی داده های نامتوازن،سومین کنفرانس سراسری نوآوری های اخیر در مهندسی برق و کامپیوتر،تهران

ارائه‌شده در

مجموعه مقالات چهارمین کنفرانس بین المللی مهندسی برق و کامپیوتر23 دی 1395 · تهران