مروری بر روشهای انتخاب نمونه

ازانجایی که کنترل داده ھای نامتوازن امری پیچیده است، کنترل و نظارت بر داده ھای نامتوازن در مشکلات مربوط به دسته بندی در تجزیه و تحلیل داده ھای بزرگ مورد توجه قرارگرفته است. از ھمین رو رویکردھا و روش ھای زیادی تا کنون ارایه شده است تا مشکل نامتوازن بودن داده ھا را حل کنند. ما قصد داریم در این تحقیق یک رویکرد بھینه سازی از زیرنمونه برداری خوشه ای را به منظور انتخاب نمونه ھای مناسب بررسی کنیم. این رویکرد می تواند مشکلات مربوط به نامتوازن بودن داده ھا را حل کند که این امر منجر به افزایش آگاھی به منظور گسترش و غنی تر کردن دانش کنونی در مورد تکنیک ھای داده کاوی می شود. ما در این پژوھش به منظور متوازن کردن نسبت بین داده ھای کلاس اقلیت و داده ھای کلاس اکثریت، کارایی چند روش را بررسی کردیم، ھدف این پژوھش ایجاد مجموعه ای متناسب از داده ھا، ھم به منظور متوازن سازی داده ھا و ھم برای بھبود در دقت و ظرافت در طبقه بندی است. در این مقاله ، مروری بر روش ھای under-sampling (نمونه گیری از داده ھای با کلاس اکثریت) خواھیم داشت و به مقایسه انھای خواھیم پرداخت.

کلیدواژه ها:

زیر نمونه برداری ، بهینه سازی خوشه بندی ، داده های نامتوازن