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 €![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 déséquilibrés32,99 €![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 €![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 €![Wind Forecasting in Railway Engineering]( "Wind Forecasting in Railway Engineering")
Wind Forecasting in Railway Engineering115,99 €![KLASSIFIZIERUNG MOBILER NACHRICHTEN MIT NLP- UND ML-ALGORITHMEN]( "KLASSIFIZIERUNG MOBILER NACHRICHTEN MIT NLP- UND ML-ALGORITHMEN")
KLASSIFIZIERUNG MOBILER NACHRICHTEN MIT NLP- UND ML-ALGORITHMEN43,90 €
Die große Menge an online generierten Daten hat es Datenwissenschaftlern ermöglicht, diese Informationen zu analysieren und daraus Schlussfolgerungen für verschiedene Bereiche abzuleiten. Echtzeitdaten sind jedoch oft anfällig für Ungleichgewichte, die die Datenqualität beeinträchtigen können und eine große Herausforderung im Bereich des maschinellen Lernens darstellen. Auf Stichproben basierende Techniken und auf Algorithmen basierende Modelle sind zwei primäre Methoden, die verwendet werden, um Datenungleichgewichte anzugehen und auszugleichen. In dieser Arbeit werden drei verschiedene Techniken vorgestellt, mit denen sich Ungleichgewichte in Echtzeitdaten auf unterschiedlichen Ebenen bewältigen lassen. Der erste Ansatz schlägt eine auf Stichproben basierende Technik vor, die mit dem Bagging-Mechanismus integriert ist, um Datenungleichgewichte zu behandeln. Das Modell identifiziert ein klassenbasiertes Datenungleichgewicht und führt für jede verfügbare Klasse ein Oversampling durch. Der Bagging-Mechanismus umfasst die Erstellung von Teilmengen der Trainingsdaten und zielt darauf ab, die Ungleichgewichtsniveaus in den Trainingsdaten zu variieren, um eine effektive Vorhersage zu gewährleisten. Trotzdem bleibt der Effekt des Ungleichgewichts im Vorhersagemechanismus bestehen und führt zu einer falschen Klassifizierung mehrerer Minderheitsklassen.