Andere Kunden interessierten sich auch für
![Erkennung verhaltensorientierter Malware durch Data Mining]( "Erkennung verhaltensorientierter Malware durch Data Mining")
Erkennung verhaltensorientierter Malware durch Data Mining54,90 €![Genaue Klassifizierung der Kreditwürdigkeitsprüfung mit Ensemble GradientBoost]( "Genaue Klassifizierung der Kreditwürdigkeitsprüfung mit Ensemble GradientBoost")
Genaue Klassifizierung der Kreditwürdigkeitsprüfung mit Ensemble GradientBoost39,90 €![Gebärmutterhalskrebs und Handschrifterkennung mit ANN]( "Gebärmutterhalskrebs und Handschrifterkennung mit ANN")
Gebärmutterhalskrebs und Handschrifterkennung mit ANN43,90 €![Erkennungsmodell für Cyber-Attacken - Anwendung von Data Mining]( "Erkennungsmodell für Cyber-Attacken - Anwendung von Data Mining")
Erkennungsmodell für Cyber-Attacken - Anwendung von Data Mining39,90 €![Verbesserung des dynamischen Lastausgleichs mit Ameisen in einer Cloud-Umgebung]( "Verbesserung des dynamischen Lastausgleichs mit Ameisen in einer Cloud-Umgebung")
Verbesserung des dynamischen Lastausgleichs mit Ameisen in einer Cloud-Umgebung39,90 €![ANALYSE DES KUNDENVERHALTENS IM ELEKTRONISCHEN HANDEL]( "ANALYSE DES KUNDENVERHALTENS IM ELEKTRONISCHEN HANDEL")
ANALYSE DES KUNDENVERHALTENS IM ELEKTRONISCHEN HANDEL43,90 €![KI-Algorithmen zur Klassifizierung und Vorhersage von Krankheiten bei Tomatenpflanzen]( "KI-Algorithmen zur Klassifizierung und Vorhersage von Krankheiten bei Tomatenpflanzen")
KI-Algorithmen zur Klassifizierung und Vorhersage von Krankheiten bei Tomatenpflanzen79,90 €
Das Ungleichgewicht zwischen den Klassen ist eines der schwierigsten Probleme für Data-Mining- und maschinelle Lernverfahren. Die Daten in realen Anwendungen weisen oft eine unausgewogene Klassenverteilung auf. Dies ist der Fall, wenn die meisten Beispiele zu einer Mehrheitsklasse und nur wenige Beispiele zu einer Minderheitsklasse gehören. In diesem Fall neigen Standardklassifizierer dazu, alle Beispiele als Mehrheitsklasse zu klassifizieren und die Minderheitsklasse vollständig zu ignorieren. Für dieses Problem haben Forscher eine Vielzahl von Lösungen sowohl auf Daten- als auch auf algorithmischer Ebene vorgeschlagen. Die meisten Bemühungen konzentrieren sich auf Probleme mit binären Klassen. Binäre Klassen sind jedoch nicht das einzige Szenario, in dem das Problem des Klassenungleichgewichts vorherrscht. Bei Mehrklassendatensätzen ist es viel schwieriger, die Mehrheits- und Minderheitsklassen zu definieren. Daher bleibt die Mehrklassenklassifizierung in unausgewogenen Datensätzen ein wichtiges Forschungsthema. In unserem Buch schlagen wir einen neuen Ansatz vor, der auf SOMTE (Synthetic Minority Over-sampling TEchnique) und Clustering basiert und in der Lage ist, das Problem unausgewogener Daten mit mehreren Klassen zu lösen. Wir haben unseren Ansatz mit Hilfe von Open-Source-Tools für maschinelles Lernen umgesetzt: Weka und RapidMiner.