Andere Kunden interessierten sich auch für
![Classificazione dei microrganismi nei campioni d'acqua]( "Classificazione dei microrganismi nei campioni d'acqua")
Classificazione dei microrganismi nei campioni d'acqua26,99 €![Integrazione di PSO e algoritmi di classificazione per l'estrazione dei dati]( "Integrazione di PSO e algoritmi di classificazione per l'estrazione dei dati")
Integrazione di PSO e algoritmi di classificazione per l'estrazione dei dati23,99 €![Análise da classificação para dados de desequilíbrio]( "Análise da classificação para dados de desequilíbrio")
Análise da classificação para dados de desequilíbrio23,99 €![Analyse der Klassifizierung für unausgewogene Daten]( "Analyse der Klassifizierung für unausgewogene Daten")
Analyse der Klassifizierung für unausgewogene Daten35,90 €![Analyse de la classification pour les données déséquilibrées]( "Analyse de la classification pour les données déséquilibrées")
Analyse de la classification pour les données déséquilibrées23,99 €![Analiz klassifikacii dlq nesbalansirowannyh dannyh]( "Analiz klassifikacii dlq nesbalansirowannyh dannyh")
Analiz klassifikacii dlq nesbalansirowannyh dannyh13,99 €![Rilevamento automatico del cancro della pelle]( "Rilevamento automatico del cancro della pelle")
Rilevamento automatico del cancro della pelle39,99 €
Un'enorme quantità di dati viene raccolta e archiviata nei database di tutto il mondo. Questi dati si accumulano e continuano ad aumentare ogni anno. Estrarre le informazioni nascoste in questi database e classificare le informazioni estratte sono i compiti più importanti del data mining. Se questi insiemi di dati sono sbilanciati, diventa difficile gestirli. La previsione del futuro è uno dei compiti fondamentali del data mining. Lavorare con insiemi di dati sbilanciati per prevedere i possibili risultati è un compito molto noioso. Un set di dati è sbilanciato quando non viene classificato correttamente, quando una classe contiene più istanze di altre. Spesso vengono rappresentate come una classe positiva (minoranza) e una negativa (maggioranza). La classe che ha un numero minore di campioni è chiamata classe minoritaria, mentre quella che ne ha di più è chiamata classe maggioritaria. I dataset sbilanciati causano molti problemi seri nel data mining, per lo più l'algoritmo di classificazione standard considera il dataset come bilanciato, che a sua volta è parziale verso la classe maggioritaria. Per applicazioni come la diagnosi medica, ciò provoca effetti molto gravi. Il bilanciamento del set di dati è quindi fondamentale per molte applicazioni in tempo reale.