• 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
Ulepszanie algorytmów uczenia maszynowego dla niezrównoważonych zestawów danych

Ulepszanie algorytmów uczenia maszynowego dla niezrównoważonych zestawów danych

Paperback

Technology & Engineering

ISBN10: 6208901545
ISBN13: 9786208901547
Publisher: Wydawnictwo Nasza Wiedza
Published: May 27 2025
Pages: 68
Weight: 0.23
Height: 0.16 Width: 6.00 Depth: 9.00
Language: Polish
Duża ilośc danych generowanych online umożliwila naukowcom zajmującym się danymi analizowanie tych informacji i wyciąganie wniosków z różnych dziedzin. Jednak dane w czasie rzeczywistym są często podatne na brak równowagi, co może obniżyc jakośc danych i stanowi poważne wyzwanie w dziedzinie uczenia maszynowego. Techniki oparte na próbkowaniu i modele oparte na algorytmach to dwie podstawowe metody stosowane do rozwiązywania i równoważenia nierównowagi danych. W niniejszej rozprawie przedstawiono trzy różne techniki zarządzania różnymi poziomami nierównowagi w danych w czasie rzeczywistym.Początkowe podejście proponuje technikę opartą na próbkowaniu zintegrowaną z mechanizmem bagging w celu radzenia sobie z nierównowagą danych. Model identyfikuje nierównowagę danych opartą na klasach i wykonuje nadpróbkowanie dla każdej dostępnej klasy. Mechanizm bagging polega na tworzeniu podzbiorów danych szkoleniowych, mając na celu zróżnicowanie poziomów nierównowagi w danych szkoleniowych, aby zapewnic skuteczne przewidywanie. Mimo to efekt braku równowagi utrzymuje się w mechanizmie predykcji, prowadząc do nieprawidlowej klasyfikacji kilku klas mniejszościowych.

Also in

Technology & Engineering