Andere Kunden interessierten sich auch für
![Amélioration des algorithmes de ML pour les ensembles de données déséquilibrés]( "Amélioration des algorithmes de ML pour les ensembles de données déséquilibrés")
Amélioration des algorithmes de ML pour les ensembles de données déséquilibrés33,99 €![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 danych33,99 €![Enhancing ML Algorithms for Imbalanced Datasets]( "Enhancing ML Algorithms for Imbalanced Datasets")
Enhancing ML Algorithms for Imbalanced Datasets34,99 €![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 sbilanciati33,99 €![Verbesserung von ML-Algorithmen für unausgewogene Datensätze]( "Verbesserung von ML-Algorithmen für unausgewogene Datensätze")
Verbesserung von ML-Algorithmen für unausgewogene Datensätze50,90 €![CLASSIFICAÇÃO DE MENSAGENS MÓVEIS UTILIZANDO OS ALGORITMOS NLP E ML]( "CLASSIFICAÇÃO DE MENSAGENS MÓVEIS UTILIZANDO OS ALGORITMOS NLP E ML")
CLASSIFICAÇÃO DE MENSAGENS MÓVEIS UTILIZANDO OS ALGORITMOS NLP E ML29,99 €![Aprendizagem automática para os cuidados de saúde]( "Aprendizagem automática para os cuidados de saúde")
Aprendizagem automática para os cuidados de saúde29,99 €
A grande quantidade de dados gerados em linha permitiu que os cientistas de dados analisassem esta informação e tirassem conclusões em vários domínios. No entanto, os dados em tempo real são muitas vezes propensos a desequilíbrios, o que pode degradar a qualidade dos dados e constitui um desafio significativo no domínio da aprendizagem automática. As técnicas baseadas em amostragem e os modelos baseados em algoritmos são dois métodos principais utilizados para resolver e equilibrar o desequilíbrio dos dados. Esta tese apresenta três técnicas distintas para gerir diferentes níveis de desequilíbrio em dados em tempo real.A abordagem inicial propõe uma técnica baseada em amostragem integrada com o mecanismo de ensacamento para tratar o desequilíbrio dos dados. O modelo identifica o desequilíbrio de dados baseado em classes e efectua uma sobreamostragem para cada classe disponível. O mecanismo de ensacamento envolve a criação de subconjuntos dos dados de treino, com o objetivo de variar os níveis de desequilíbrio nos dados de treino para garantir uma previsão eficaz. Apesar disso, o efeito do desequilíbrio persiste no mecanismo de previsão, levando à classificação incorrecta de várias classes minoritárias.