Verbesserung von ML Algorithmen für unausgewogene Datensätze

Name: Verbesserung von ML Algorithmen für unausgewogene Datensätze
SKU: 6b48fa71d81d524baad64d4d69cc7b89
Price: 50.9 EUR
Availability: InStock

1/1

Afbeelding van Verbesserung von ML Algorithmen für unausgewogene Datensätze

Bol

Prijzen vanaf

50,90

Uitgelicht

	50,90	Naar shop
VERGELIJK ALLE AANBIEDERS (1)

Beschrijving

Bol 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.

Lees meer

Vergelijk aanbieders (1)

Sorteren op:

€ 50,90 Gratis verzending

Beschrijving (1)

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.

Lees meer