انتخاب ویژگی نیمه هوشمندانه چندتایی برای داده های نامتوازن

وجود نویز در داده ها یک مساله مهم در یادگیری ماشین است با توجه به اینکه داده هایی که دارای مقداری نویز باشند ممکن است عملکرد یادگیری را بدتر کنند. روش پیشنهادی یک چارچوب یکپارچه ایجاد میکند که با انتخاب طرح دسته-بندی و نمونهگیری متعدد در این روش برای داده ها ی نامتقارن مفید واقع شده و نویز را حذف می کند.تلاش ما بر این است که تمام تاثیرات منفی محدودیتهای ایجاد شده را به وسیلهی تغییرات منابع آنها از بین ببریم. این کار به وسیلهی یکتکنیک دستهبندی با استفاده از نمونهگیری مجدد از دادهها و استراتژی فضای تصادفی انجام میشود. پروژه پیشنهاد شده، یک رتبهبندی جهانی از طرحها را با متراکم سازی امتیازهای لاپلاس محدود متعدد بر وجهههای مختلف دادههای نشاندار و بدون نشان تولید میکند. ما پروژه خود را با آزمایشهای تجربی بر مجموعه دادههای چند بعدی و مقایسهی آن با روشهای ارائه شدهی دیگر قانونی میکنیم. به طور کلی، طرحهای انتخاب شده

کلیدواژه ها:

انتخاب ویژگی ، روش راپر ، داده ها ی نا متوازن ، امتیاز لاپلاس