Andere Kunden interessierten sich auch für
![Modificación del conjunto de datos para mejorar el rendimiento y la velocidad del algoritmo de ML]( "Modificación del conjunto de datos para mejorar el rendimiento y la velocidad del algoritmo de ML")
Modificación del conjunto de datos para mejorar el rendimiento y la velocidad del algoritmo de ML29,99 €![Modificación del conjunto de datos para mejorar el rendimiento y la velocidad del algoritmo ML]( "Modificación del conjunto de datos para mejorar el rendimiento y la velocidad del algoritmo ML")
Modificación del conjunto de datos para mejorar el rendimiento y la velocidad del algoritmo ML32,99 €![Un mecanismo eficiente para la extracción de datos basado en conjuntos de elementos Características]( "Un mecanismo eficiente para la extracción de datos basado en conjuntos de elementos Características")
Un mecanismo eficiente para la extracción de datos basado en conjuntos de elementos Características51,99 €![Reformulación semántica y difusa de las consultas para mejorar la RI]( "Reformulación semántica y difusa de las consultas para mejorar la RI")
Reformulación semántica y difusa de las consultas para mejorar la RI29,99 €![Extracción de información específica del dominio para la anotación semántica]( "Extracción de información específica del dominio para la anotación semántica")
Extracción de información específica del dominio para la anotación semántica20,99 €![Un nuevo enfoque de aprendizaje profundo para detectar enfermedades cardiovasculares]( "Un nuevo enfoque de aprendizaje profundo para detectar enfermedades cardiovasculares")
Un nuevo enfoque de aprendizaje profundo para detectar enfermedades cardiovasculares32,99 €![Método de ajuste fino para el aprendizaje profundo]( "Método de ajuste fino para el aprendizaje profundo")
Método de ajuste fino para el aprendizaje profundo32,99 €
El desequilibrio de clases es uno de los problemas más complejos para las técnicas de minería de datos y aprendizaje automático. Los datos de las aplicaciones del mundo real suelen tener una distribución de clases desequilibrada. Esto ocurre cuando la mayoría de los ejemplos pertenecen a una clase mayoritaria y pocos ejemplos pertenecen a una clase minoritaria. En este caso, los clasificadores estándar tienden a clasificar todos los ejemplos como clase mayoritaria e ignoran por completo la clase minoritaria. Para resolver este problema, los investigadores han propuesto numerosas soluciones, tanto a nivel de datos como algorítmico. La mayoría de los esfuerzos se concentran en los problemas de clase binaria. Sin embargo, la clase binaria no es el único escenario en el que prevalece el problema del desequilibrio de clases. En el caso de los conjuntos de datos multiclase, es mucho más difícil definir las clases mayoritaria y minoritaria. De ahí que la clasificación multiclase en conjuntos de datos desequilibrados siga siendo un importante tema de investigación. En nuestro libro, proponemos un nuevo enfoque basado en SOMTE (Synthetic Minority Over-sampling TEchnique) y clustering que es capaz de tratar el problema de los datos desequilibrados que implican múltiples clases. Implementamos nuestro enfoque utilizando herramientas de aprendizaje automático de código abierto: Weka y RapidMiner.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.