Andere Kunden interessierten sich auch für
![Strategie di apprendimento automatico per il diabete di tipo 2 Classificazione del diabete]( "Strategie di apprendimento automatico per il diabete di tipo 2 Classificazione del diabete")
Strategie di apprendimento automatico per il diabete di tipo 2 Classificazione del diabete29,99 €![Rilevamento di immagini false mediante algoritmi di apprendimento automatico]( "Rilevamento di immagini false mediante algoritmi di apprendimento automatico")
Rilevamento di immagini false mediante algoritmi di apprendimento automatico39,99 €![Tecniche statistiche e metriche per la previsione della qualità del software]( "Tecniche statistiche e metriche per la previsione della qualità del software")
Tecniche statistiche e metriche per la previsione della qualità del software39,99 €![Gioco di apprendimento del ritmo con i cubi Sifteo]( "Gioco di apprendimento del ritmo con i cubi Sifteo")
Gioco di apprendimento del ritmo con i cubi Sifteo26,99 €![Esplorare gli approcci alla sicurezza del software e i loro limiti nell'SDLC]( "Esplorare gli approcci alla sicurezza del software e i loro limiti nell'SDLC")
Esplorare gli approcci alla sicurezza del software e i loro limiti nell'SDLC46,99 €![Un agente di raccomandazione per la personalizzazione degli ambienti di apprendimento]( "Un agente di raccomandazione per la personalizzazione degli ambienti di apprendimento")
Un agente di raccomandazione per la personalizzazione degli ambienti di apprendimento23,99 €![Progressi innovativi nell'IA, nell'apprendimento automatico e nella sicurezza di rete]( "Progressi innovativi nell'IA, nell'apprendimento automatico e nella sicurezza di rete")
Progressi innovativi nell'IA, nell'apprendimento automatico e nella sicurezza di rete59,99 €
Nel mondo odierno basato sui dati, la maggior parte delle applicazioni reali deve affrontare la sfida dello squilibrio delle classi, in cui i dati critici sono rari. Questo squilibrio influisce gravemente sull'accuratezza dei modelli di classificazione, specialmente in ambiti sensibili come la diagnosi medica, la finanza e la previsione dei difetti del software. Nei sistemi software, la previsione precoce dei difetti è essenziale per ridurre i costi e migliorare l'affidabilità. Tuttavia, molti modelli di apprendimento automatico falliscono a causa di set di dati distorti. Per affrontare questo problema, proponiamo tre nuovi algoritmi: IDROS (sovracampionamento), IDRUS (sottocampionamento) e un approccio ibrido IDROSUS. IDROS utilizza KNN attorno al centroide minoritario per generare dati sintetici, mentre IDRUS rimuove i campioni maggioritari meno rilevanti in base alla distanza dalla media. L'approccio ibrido IDROSUS bilancia contemporaneamente entrambi i lati, riducendo l'overfitting e l'underfitting. Abbiamo valutato questi metodi utilizzando 40 set di dati provenienti dal repository PROMISE e li abbiamo testati su otto classificatori. Metriche di prestazione come accuratezza, richiamo, precisione e misura F hanno dimostrato che IDROSUS ha superato le tecniche esistenti.