CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

بررسی و بهبود روشی برای مسائل عدم تعادل کلاس بندی مجموعه داده های نامتوازن

اعتبار موردنیاز: ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۱۳۱ | نظرات: ۰
سال انتشار: ۱۳۹۵
کد COI مقاله: CECCONF01_030
زبان مقاله: فارسی
حجم فایل: ۳۱۸.۶۵ کلیوبایت (فایل این مقاله در ۸ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۸ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله بررسی و بهبود روشی برای مسائل عدم تعادل کلاس بندی مجموعه داده های نامتوازن

  اسماعیل صادقی هفشجانی - دانشگاه آزاد اسلامی شهرکرد
  زهره صحرانشین سامانی - دانشگاه آزاد اسلامی شهرکرد
  شیرین بنی طالبی - دانشگاه آزاد اسلامی شهرکرد

چکیده مقاله:

امروزه مسئله کلاس بندی داده های نامتوازن از اهمیت خاصی برخوردار است. کلاس بندی این داده ها بدین گونه است که، کلاسی که از نظر دامنه کاربرد اهمیت زیادی دارد کلاس اقلیت oversampling نامیده می شود و شامل تعداد حالات کمتری نسبت به کلاس اکثریت undersampling می باشد. سعی می شود در کلاس بندی این داده ها، تعداد حالات کلاس اقلیت را نسبت به کلاس اکثریت افزایش دهیم. در این مقاله، روشی برای نمونه برداری نیمه بدون نظارت وزن دار وفقی (A-SUWO) را برای بهبود طبقه بندی مجموعه داده های باینری نامتوازن ارائه و بررسی می کنیم. این روش با استفاده از خوشه بندی سلسه مراتبی بدون نظارت وزن و اندازه قابل تطبیق به oversampling هریک از زیر خوشه ها با استفاده از پیچیدگی کلاس بندی و اعتبار سنجی متقابل می پردازد، سپس نمونه های اقلیت بسته به فاصله اقلیدسی خود نسبت به کلاس اکثریت، طبقه بندی می شوند.

کلیدواژه‌ها:

مجموعه داده نامتوازن، دسته بندی، فراگیری بطورجمعی، خوشه بندی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-CECCONF01-CECCONF01_030.html
کد COI مقاله: CECCONF01_030

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
صادقی هفشجانی, اسماعیل؛ زهره صحرانشین سامانی و شیرین بنی طالبی، ۱۳۹۵، بررسی و بهبود روشی برای مسائل عدم تعادل کلاس بندی مجموعه داده های نامتوازن، کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات، بابل، موسسه علمی تحقیقاتی کومه علم آوران دانش، https://www.civilica.com/Paper-CECCONF01-CECCONF01_030.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (صادقی هفشجانی, اسماعیل؛ زهره صحرانشین سامانی و شیرین بنی طالبی، ۱۳۹۵)
برای بار دوم به بعد: (صادقی هفشجانی؛ صحرانشین سامانی و بنی طالبی، ۱۳۹۵)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • مهدی زاده، افتخاری "ارائه روش جدید نمونه گیری مبتنی بر ...
  • محمدی، ابراهیمی مقدم، سعادت، "دسته بندی داده های نامتوازن با ... (مقاله کنفرانسی)
  • بهبود کلاس بندی داده های نامتوازن با استفاده از ترکیب الگوریتم SMOTE و رقابت استعماری [مقاله کنفرانسی]
  • Farquad, M.A.H. et al, (2012) "Preprocessing unbalanced data using support ...
  • Galar, Mikel et al, (2012)"A Review on Ensembles for the ...
  • Ghazikhani, R. Monsefi, H.S. Yazdi, (2013) "Ensemble of online neural ...
  • Nekooeimehr, Susana K.et al, (2016)" Cluster-based Weighted Oversampling for Ordinal ...
  • Qian, Yun. et al, (2014) "A resampling ensemble algorithm for ...
  • X.Y. Liu, J.X. Wu, Z.H. Zhou, (2009) "Exploratory undersampling for ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۲۸۲۴
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.