دانلود مقاله روش یادگیری نظارتی برای مجموعه داده های نامتوازن
تعداد کلمات فایل انگلیسی:3000 کلمه 5 صفحه pdf
تعداد صفحات فایل ترجمه:13 صفحه word فونت 14 B Nazanin
روش یادگیری نظارتی برای مجموعه داده های نامتوازن
چکیده
این مقاله روش یادگیری جدیدی برای برنامه های دسته بندی نمونه که با مجموعه داده های نامتوازن درگیرند ارائه می کند. در این روش، یک تکنیک خوشه بندی به کار گرفته می شود تا مجموعه اصلی آموزشی را در یک مجموعه کوچکتر که شامل نماینده نسخه آموزشی است، و توسط مراکز خوشه بندی وزین و خروجی های هدف آنها ارائه شده، دوباره نمونه گیری کند. بر اساس روش یادگیری پیشنهاد شده، چهار الگوریتم آموزشی برای شبکه های عصبی پیش خور استنتاج شده است. این الگوریتم ها در سه مجموعه داده ها ارزیابی مقایسه ای و آزمایش شده اند. نتایج آزمایشی نشان می دهند که با روش یادگیری ارائه شده، امکان دارد شبکه هایی طراحی کرد تا بر مشکلات دسته نامتوازن فائق شد، بدون اینکه با کارکرد تمام دسته بندی به مصالحه پرداخت.
A supervised learning approach for imbalanced data sets
Abstract
This paper presents a new learning approach for pattern classification applications involving imbalanced data sets. In this approach, a clustering technique is employed to resample the original training set into a smaller set of representative training exemplars, represented by weighted cluster centers and their target outputs. Based on the proposed learning approach, four training algorithms are derived for feed-forward neural networks. These algorithms are implemented and tested on three benchmark data sets. Experimental results show that with the proposed learning approach, it is possible to design networks to tackle the class imbalance problem, without compromising the overall classification performance
کد:itc1
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله روش یادگیری نظارتی برای مجموعه داده های نامتوازن
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله روش یادگیری نظارتی برای مجموعه داده های نامتوازن
تعداد کلمات فایل انگلیسی:3000 کلمه 5 صفحه pdf
تعداد صفحات فایل ترجمه:13 صفحه word فونت 14 B Nazanin
روش یادگیری نظارتی برای مجموعه داده های نامتوازن
چکیده
این مقاله روش یادگیری جدیدی برای برنامه های دسته بندی نمونه که با مجموعه داده های نامتوازن درگیرند ارائه می کند. در این روش، یک تکنیک خوشه بندی به کار گرفته می شود تا مجموعه اصلی آموزشی را در یک مجموعه کوچکتر که شامل نماینده نسخه آموزشی است، و توسط مراکز خوشه بندی وزین و خروجی های هدف آنها ارائه شده، دوباره نمونه گیری کند. بر اساس روش یادگیری پیشنهاد شده، چهار الگوریتم آموزشی برای شبکه های عصبی پیش خور استنتاج شده است. این الگوریتم ها در سه مجموعه داده ها ارزیابی مقایسه ای و آزمایش شده اند. نتایج آزمایشی نشان می دهند که با روش یادگیری ارائه شده، امکان دارد شبکه هایی طراحی کرد تا بر مشکلات دسته نامتوازن فائق شد، بدون اینکه با کارکرد تمام دسته بندی به مصالحه پرداخت.
A supervised learning approach for imbalanced data sets
Abstract
This paper presents a new learning approach for pattern classification applications involving imbalanced data sets. In this approach, a clustering technique is employed to resample the original training set into a smaller set of representative training exemplars, represented by weighted cluster centers and their target outputs. Based on the proposed learning approach, four training algorithms are derived for feed-forward neural networks. These algorithms are implemented and tested on three benchmark data sets. Experimental results show that with the proposed learning approach, it is possible to design networks to tackle the class imbalance problem, without compromising the overall classification performance
کد:itc1
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله روش یادگیری نظارتی برای مجموعه داده های نامتوازن