Andere Kunden interessierten sich auch für
![Miglioramento degli algoritmi di ML per insiemi di dati sbilanciati]( "Miglioramento degli algoritmi di ML per insiemi di dati sbilanciati")
Miglioramento degli algoritmi di ML per insiemi di dati sbilanciati32,99 €![Verbesserung von ML-Algorithmen für unausgewogene Datensätze]( "Verbesserung von ML-Algorithmen für unausgewogene Datensätze")
Verbesserung von ML-Algorithmen für unausgewogene Datensätze50,90 €![Melhorar os algoritmos de ML para conjuntos de dados desequilibrados]( "Melhorar os algoritmos de ML para conjuntos de dados desequilibrados")
Melhorar os algoritmos de ML para conjuntos de dados desequilibrados32,99 €![Enhancing ML Algorithms for Imbalanced Datasets]( "Enhancing ML Algorithms for Imbalanced Datasets")
Enhancing ML Algorithms for Imbalanced Datasets33,99 €![Ulepszanie algorytmów uczenia maszynowego dla niezrównowa¿onych zestawów danych]( "Ulepszanie algorytmów uczenia maszynowego dla niezrównowa¿onych zestawów danych")
Ulepszanie algorytmów uczenia maszynowego dla niezrównowa¿onych zestawów danych32,99 €![Approche unifiée pour la prédiction de la maladie d'Alzheimer]( "Approche unifiée pour la prédiction de la maladie d'Alzheimer")
Approche unifiée pour la prédiction de la maladie d'Alzheimer28,99 €![Classificateur Naive Bayes et théorie des ensembles bruts pour les flux de données]( "Classificateur Naive Bayes et théorie des ensembles bruts pour les flux de données")
Classificateur Naive Bayes et théorie des ensembles bruts pour les flux de données26,99 €
La grande quantité de données générées en ligne a permis aux scientifiques de données d'analyser ces informations et d'en tirer des conclusions dans divers domaines. Cependant, les données en temps réel sont souvent sujettes au déséquilibre, ce qui peut dégrader la qualité des données et pose un défi important dans le domaine de l'apprentissage automatique. Les techniques basées sur l'échantillonnage et les modèles basés sur les algorithmes sont deux méthodes principales utilisées pour traiter et équilibrer le déséquilibre des données. Cette thèse présente trois techniques distinctes pour gérer différents niveaux de déséquilibre dans les données en temps réel.L'approche initiale propose une technique basée sur l'échantillonnage intégrée au mécanisme de bagging pour gérer le déséquilibre des données. Le modèle identifie le déséquilibre des données par classe et effectue un suréchantillonnage pour chaque classe disponible. Le mécanisme de mise en sac implique la création de sous-ensembles de données d'apprentissage, visant à varier les niveaux de déséquilibre dans les données d'apprentissage afin de garantir une prédiction efficace. Malgré cela, l'effet du déséquilibre persiste dans le mécanisme de prédiction, entraînant la classification incorrecte de plusieurs classes minoritaires.