دانلود شبیه سازی مقاله روش جدید کلاس بندی داده های نامتعادل

کلاس بندی داده های نامتوازن

ایرادات و مشکلات عدم تعادل در کلاس بندی، مانع عملکرد کلاس بندی بسیاری از الگوریتم های یادگیری استاندارد شده و توجه زیادی را از سوی محققان مختلف به خود جلب کرده است. بنابراین، تعدادی از روش ها، از جمله روش های نمونه گیری، روش های یادگیری حساس به هزینه، و روش های جمع آوری و تقویت، برای حل این مشکلات پیشنهاد شده است. با این حال، این روشهای بررسی عدم تعادل کلاس ممکن است باعث از دست دادن اطلاعات بالقوه سودمند، اشتباهات غیرمنتظره یا افزایش احتمال انتقال بیش از حد، شود.

در این مقاله روش جدیدی برای کلاس بندی داده های نا متعادل پیشنهاد شده است که در ابتدا مجموعه داده های نامتعادل را به چندین تعادل تبدیل می کند و سپس تعدادی از طبقه بندی ها را بر روی این داده های چندگانه با یک الگوریتم طبقه بندی خاص ایجاد می کند. در نهایت، نتایج طبقه بندی این طبقه بندی ها برای داده های جدید با یک قاعده گروه خاص ترکیب می شود. در مطالعه تجربی، روشهای مختلف دستکاری داده های طبقه عدم تعادل کلاس، از جمله سه روش نمونه گیری متداول، یک روش یادگیری حساس هزینه، شش روش Bagging و Boosting بر اساس روش، روش قبلی  EM1vs1 و دو روش طبقه بندی مبتنی بر قاعده فازی با روش ما مقایسه شده است.

نتایج تجربی در 46 مجموعه داده های نامتعادل نشان می دهد که روش پیشنهادی در این مقاله در هنگام حل مشکلات بسیار عدم توازن، معمولا از روش های دستیابی به داده های عدم تعادل متعارف بهتر است. در ادامه بخشی از نتایج شبیه سازی ها در نرم افزار متلب نشان داده شده است.

کلاس بندی داده ها نامتوازن