• Open Daily: 10am - 10pm
    Alley-side Pickup: 10am - 7pm

    3038 Hennepin Ave Minneapolis, MN
    612-822-4611

Open Daily: 10am - 10pm | Alley-side Pickup: 10am - 7pm
3038 Hennepin Ave Minneapolis, MN
612-822-4611
Melhorar os algoritmos de ML para conjuntos de dados desequilibrados

Melhorar os algoritmos de ML para conjuntos de dados desequilibrados

Paperback

Technology & Engineering

ISBN10: 6208901553
ISBN13: 9786208901554
Publisher: Edicoes Nosso Conhecimento
Published: May 27 2025
Pages: 68
Weight: 0.23
Height: 0.16 Width: 6.00 Depth: 9.00
Language: Portuguese
A grande quantidade de dados gerados em linha permitiu que os cientistas de dados analisassem esta informação e tirassem conclusões em vários domínios. No entanto, os dados em tempo real são muitas vezes propensos a desequilíbrios, o que pode degradar a qualidade dos dados e constitui um desafio significativo no domínio da aprendizagem automática. As técnicas baseadas em amostragem e os modelos baseados em algoritmos são dois métodos principais utilizados para resolver e equilibrar o desequilíbrio dos dados. Esta tese apresenta três técnicas distintas para gerir diferentes níveis de desequilíbrio em dados em tempo real.A abordagem inicial propõe uma técnica baseada em amostragem integrada com o mecanismo de ensacamento para tratar o desequilíbrio dos dados. O modelo identifica o desequilíbrio de dados baseado em classes e efectua uma sobreamostragem para cada classe disponível. O mecanismo de ensacamento envolve a criação de subconjuntos dos dados de treino, com o objetivo de variar os níveis de desequilíbrio nos dados de treino para garantir uma previsão eficaz. Apesar disso, o efeito do desequilíbrio persiste no mecanismo de previsão, levando à classificação incorrecta de várias classes minoritárias.

Also in

Technology & Engineering