Andere Kunden interessierten sich auch für
![Avanços inovadores em IA, aprendizagem automática e segurança de redes]( "Avanços inovadores em IA, aprendizagem automática e segurança de redes")
Avanços inovadores em IA, aprendizagem automática e segurança de redes59,99 €![Estratégias de aprendizagem automática para a classificação da diabetes tipo 2 Classificação da Diabetes]( "Estratégias de aprendizagem automática para a classificação da diabetes tipo 2 Classificação da Diabetes")
Estratégias de aprendizagem automática para a classificação da diabetes tipo 2 Classificação da Diabetes29,99 €![Deteção de imagens falsas utilizando algoritmos de aprendizagem automática]( "Deteção de imagens falsas utilizando algoritmos de aprendizagem automática")
Deteção de imagens falsas utilizando algoritmos de aprendizagem automática39,99 €![]()
"VÁRIOS TIPOS DE DETECÇÃO DE ESPÉCIES UTILIZANDO A APRENDIZAGEM AUTOMÁTICA"29,99 €![Técnicas e métricas estatísticas para previsão de qualidade de software]( "Técnicas e métricas estatísticas para previsão de qualidade de software")
Técnicas e métricas estatísticas para previsão de qualidade de software39,99 €![Um agente de recomendação para personalizar ambientes de aprendizagem]( "Um agente de recomendação para personalizar ambientes de aprendizagem")
Um agente de recomendação para personalizar ambientes de aprendizagem23,99 €![Transformação dos processos de previsão de investimento. Parte 1]( "Transformação dos processos de previsão de investimento. Parte 1")
Transformação dos processos de previsão de investimento. Parte 123,99 €
No mundo atual, orientado por dados, a maioria das aplicações reais enfrenta o desafio do desequilíbrio de classes, em que dados críticos são raros. Esse desequilíbrio afeta gravemente a precisão dos modelos de classificação, especialmente em domínios sensíveis, como diagnóstico médico, finanças e previsão de defeitos de software. Em sistemas de software, a previsão precoce de defeitos é essencial para reduzir custos e melhorar a confiabilidade. No entanto, muitos modelos de aprendizado de máquina falham devido a conjuntos de dados distorcidos. Para resolver isso, propomos três algoritmos inovadores: IDROS (sobreamostragem), IDRUS (subamostragem) e uma abordagem híbrida IDROSUS. O IDROS usa KNN em torno do centroide minoritário para gerar dados sintéticos, enquanto o IDRUS remove amostras majoritárias menos relevantes com base na distância da média. O híbrido IDROSUS equilibra ambos os lados simultaneamente, reduzindo o sobreajuste e o subajuste. Avaliámos estes métodos utilizando 40 conjuntos de dados do repositório PROMISE e testámo-los em oito classificadores. Métricas de desempenho como precisão, recall, exatidão e medida F mostraram que o IDROSUS superou as técnicas existentes.