Thesis

بهبود کلاس بندی داده های نامتوازن با استفاده از الگوریتم های یادگیری ماشین

Abstract(in Persian; no English abstract is available)

در دنیای امروز مسئله کلاس بندی داده های نا متوازن از اهمیت خاصی برخوردار است . کلاس بندی این داده ها به گونه ای است که ، کلاسی که از نظر دامنه کاربرد اهمیت زیادی دارد (کلاس اقلیت ) شامل تعداد حالات کمتری نسبت به کلاسی است که از اهمیت خاصی برخوردار نیست (کلاس اکثریت). به این مجموعه داده ها داده های نامتوازن می گویند. روش های مختلفی برای کلاس بندی این نوع داده ها ارائه شده است .در کلاس بندی این داده ها می کوشیم تا تعداد حالات کلاس اقلیت را نسبت به کلاس اکثریت افزایش دهیم .در این تحقیق به بررسی رویکرد های مختلف برای بهبود مسئله دسته بندی داده های نامتوازن با استفاده از الگوریتم های یادگیری ماشین پرداخته شده است. برای بهبود این مسئله به بررسی سه رویکرد اساسی در سطح داده ها ، الگوریتم ها و هزینه ها(ترکیب سطح داده ها و الگوریتم ها) پرداخته شده است. در این سه سطح از الگوریتم های تکاملی ، یادگیری ماشین و نمونه برداری و... استفاده شده و همچنین در این تحقیق یک روش جدید نمونه برداری برپایه الگوریتم رقابت استعماری و الگوریتم افزایش نمونه ها توسط نمونه های مصنوعی پیشنهاد گردیده است. در روش پیشنهادی از الگوریتم smote و الگوریتم رقابت استعماری برای نمونه برداری در دو سطح داده ها و الگوریتم ها استفاده شده است. به نوعی ترکیبی از دو سطح می باشد .این روش بر روی ده مجموعه داده پیاده سازی گردیده است . نتایج نشان می دهد که روش پیشنهادی با استفاده از الگوریتم های کلاس بندی درخت تصمیم و شبکه عصبی می تواند یک رویکرد مفید و موثر در حل مشکل دسته بندی داده های نامتوازن باشد . به نوعی خطای دسته بندی کلاس اقلیت را کاهش می دهند و دسته بندی آنها با دقت بالاتری انجام می شود.

Supervisors and advisors

علی اکبر نیک نفس، حمید میروزیری

Similar theses

  • بهبود الگوریتم های تکاملی با استفاده از یادگیری ماشین

    Thesis2013وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی اصفهان - دانشکده برق و کامپیوترمحمدتقی معین الغربایی

    یادگیری ماشین یکی از شاخه های هوش مصنوعی می باشد که دامنهی تحقیقاتی وسیعی دارد. در مقالات مربوط به الگوریتم های تکاملی و روش های یادگیری ماشین، برخی از الگوریتم های تکاملی به عنوان نوعی از روشهای یادگیری ماشین استفاده شده است. با توجه به اینکه همواره الگوریتم های تکاملی به عنوان

  • بهبود طبقه بندی داده های نامتوازن

    Thesis2014وزارت علوم، تحقیقات و فناوری - دانشگاه تحصیلات تکمیلی صنعتی کرمان - دانشکده برق و کامپیوترنیلوفر افشاری ابولکرلو

    یکی از حوزه های مهم در داده کاوی طراحی الگوریتم های کلاس بندی با دقت بالا است. این امر به ویژه در شرایطی که داده ها دارای پراکندگی نامتوازن باشند، پیچیدگی بیشتری پیدا می کند. یادگیری کلاس نامتوازن به یادگیری از مجموعه داده های نامتوازن اشاره دارد که در آن تعداد نمونه های کلاس گرو

  • بهبود طبقه بندی داده های لایدار با استفاده از مفاهیم هندسی و منطق فازی

    Thesis2011وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی - دانشکده نقشه برداریامید بشارت

    امروزه دستیابی سریع و ارزان به اطلاعات عوارض پوششی سطح شهرها با استفاده از آنالیزهای سنجش از دور از اهمیت ویژه ای برخوردار است. چندین دهه از عمر این فناوری به عنوان اصلی ترین راهکار این هدف می گذرد. در چندسال اخیر با ظهور تصاویر با قدرت تفکیک مکانی بالا، کسب اطلاعات پوشش اراضی شم

  • دسته بندی مجموعه داده های نامتوازن با استفاده از روش های یادگیری ماشین

    Thesis2015وزارت علوم، تحقیقات و فناوری - دانشگاه شهید چمران اهواز - دانشکده مهندسیپریسا سعیدی پور

    یکی از مسائل مهم در زمینه داده کاوی، مسأله دسته بندی مجموعه داده های نامتوازن است. اصطلاح «مجموعه داده نامتوازن»، عموما به مجموعه داده ای گفته می شود که تعداد نمونه ها در کلاس های گوناگون، اختلاف بسیاری داشته باشند. در این نوع داده ها، به کلاس هایی که کم ترین تعداد نمونه ها را دا

  • ارائه روشی مبتنی بر آنتولوژی و یادگیری ماشین برای کلاس بندی احساسات

    Thesis2015وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی شیراز - دانشکده کامپیوتر و فناوری اطلاعاتسیده اکرم سعادت نشان

    نظرکاوی یا آنالیز احساسات عمل کاویدن برخوردها، نظرات و احساس¬ها از متن و گفتگو به کمک پردازش زبان طبیعی و بازیابی اطلاعات می¬باشد. در این مطالعه یک روش ترکیبی برای کلاس¬بندی احساسات ارائه شده است. روش پیشنهادی از دو بخش پیش¬پردازش و کلاس¬بندی تشکیل شده است. در بخش پیش¬پردازش نظرا

  • پیش بینی و اولویت بندی ژن های کاندید بیماری با استفاده از داده های توالی پروتئین و رویکرد یادگیری ماشین

    Thesis2014وزارت علوم، تحقیقات و فناوری - دانشگاه تربیت مدرس - دانشکده برق و کامپیوتراکرم وثیقی ذاکر

    براساس این اصل که ژن‏های بیماری های مشابه احتمالاً ویژگی های مشابه دارند، تاکنون برخی روش‏های یادگیری ماشین برای پیش‏بینی ژن‏های بیماری جدید با استفاده از ژن‏های شناخته شده عامل بیماری به کار گرفته شده است. روش‏های پیشین معمولاً یک مدل دسته‏بند دوکلاسی با استفاده از ژن‏های شناخته

Similar items