Andere Kunden interessierten sich auch für
![Sistema de alerta temprana basado en condiciones de salud para la gestión de riesgos]( "Sistema de alerta temprana basado en condiciones de salud para la gestión de riesgos")
Sistema de alerta temprana basado en condiciones de salud para la gestión de riesgos46,99 €![Adquisición en línea de vagones extraviados para la División de Policía]( "Adquisición en línea de vagones extraviados para la División de Policía")
Adquisición en línea de vagones extraviados para la División de Policía33,99 €![Fundamentos de la teoría de grafos]( "Fundamentos de la teoría de grafos")
Fundamentos de la teoría de grafos29,99 €![Simulación en la nube bajo diferentes condiciones de firewall]( "Simulación en la nube bajo diferentes condiciones de firewall")
Simulación en la nube bajo diferentes condiciones de firewall24,99 €![Análisis de la plataforma IBM Bluemix en la nube]( "Análisis de la plataforma IBM Bluemix en la nube")
Análisis de la plataforma IBM Bluemix en la nube33,99 €![Herramienta de copia de seguridad automática basada en agentes que utiliza la nube]( "Herramienta de copia de seguridad automática basada en agentes que utiliza la nube")
Herramienta de copia de seguridad automática basada en agentes que utiliza la nube26,99 €![Estrategias prácticas de software de aplicaciones]( "Estrategias prácticas de software de aplicaciones")
Estrategias prácticas de software de aplicaciones40,99 €
En el mundo actual, impulsado por los datos, la mayoría de las aplicaciones del mundo real se enfrentan al reto del desequilibrio de clases, en el que los datos críticos son escasos. Este desequilibrio afecta gravemente a la precisión de los modelos de clasificación, especialmente en ámbitos sensibles como el diagnóstico médico, las finanzas y la predicción de defectos de software. En los sistemas de software, la predicción temprana de defectos es esencial para reducir los costes y mejorar la fiabilidad. Sin embargo, muchos modelos de aprendizaje automático fallan debido a conjuntos de datos sesgados. Para abordar este problema, proponemos tres algoritmos novedosos: IDROS (sobremuestreo), IDRUS (submuestreo) y un enfoque híbrido IDROSUS. IDROS utiliza KNN alrededor del centroide minoritario para generar datos sintéticos, mientras que IDRUS elimina las muestras mayoritarias menos relevantes en función de la distancia a la media. El híbrido IDROSUS equilibra ambos lados simultáneamente, reduciendo el sobreajuste y el subajuste. Evaluamos estos métodos utilizando 40 conjuntos de datos del repositorio PROMISE y los probamos en ocho clasificadores. Las métricas de rendimiento, como la exactitud, la recuperación, la precisión y la medida F, mostraron que IDROSUS superaba a las técnicas existentes.