Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "class imbalance" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    A new hybrid approach for data level balancing classes in classification problems
    Nowe hybrydowe podejście równoważenienia liczności klas w problemie klasyfikacji
    Autorzy:
    Szeszko, P.
    Topczewska, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/404015.pdf
    Data publikacji:
    2017
    Wydawca:
    Polskie Towarzystwo Symulacji Komputerowej
    Tematy:
    class imbalance
    oversampling
    classification
    niezbalansowanie liczności klas
    nadpróbkowanie
    klasyfikacja
    Opis:
    The article concerns the problem of imbalanced data classification. A new algorithm is presented and tested. The HImbA technique is a hybrid method that uses well-known SMOTE algorithm and modified k-nearest neighbours method. 28 datasets have been preprocessed using the HImbA and 10 variants of existing techniques, classified using two algorithms (C4.5 and SMO) and the results have been compared. The new algorithm occurred to give the best results for some datasets.
    Praca dotyczy braku zrównoważenia liczności klas w problemie klasyfikacji. Zaprezentowany oraz przetestowany został nowy algorytm. Technika HImbA jest metodą hybrydową, która łączy znany algorytm SMOTE oraz zmodyfikowaną wersję metody k najbliższych sąsiadów. Została ona zastosowana wraz z dziesięcioma wariantami istniejących technik w celu przetwarzania wstępnego 28 zbiorów danych, które zostały następnie poddane klasyfikacji (użyto dwóch algorytmów – C4.5 oraz SMO), a wyniki zostały porównane. Dla wybranych zbiorów przy użyciu nowego algorytmu uzyskano najlepsze rezultaty.
    Źródło:
    Symulacja w Badaniach i Rozwoju; 2017, 8, 3-4; 145-155
    2081-6154
    Pojawia się w:
    Symulacja w Badaniach i Rozwoju
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Data preprocessing in the classification of the imbalanced data
    Przetwarzanie wstępne w problemie klasyfikacji danych niezrównoważonych
    Autorzy:
    Borowska, K.
    Topczewska, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/88428.pdf
    Data publikacji:
    2014
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    klasy niezrównoważone
    klasyfikacja
    nowy obiekt
    tworzenie
    class imbalance
    oversampling
    classification
    Opis:
    The article concerns the problem of imbalanced data classification. Two algorithms improving the standard SMOTE method have been created and tested. To measure the distance between objects the Euclidean or the HVDM metric was applied, depending on the number of nominal attributes in a dataset.
    Artykuł dotyczy problemu klasyfikacji w przypadku, gdy mamy do czynienia z klasami niezrównoważonymi. W tym celu stworzone zostały dwa algorytmy poprawiające wyniki uzyskiwane za pomocą standardowego algorytmu SMOTE. Do pomiaru odległości między obiektami zastosowano metrykę euklidesową lub metrykę HVDM, w zależności od liczby cech nominalnych w zbiorze.
    Źródło:
    Advances in Computer Science Research; 2014, 11; 31-46
    2300-715X
    Pojawia się w:
    Advances in Computer Science Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Adaptation of domain-specific transformer models with text oversampling for sentiment analysis of social media posts on Covid-19 vaccine
    Autorzy:
    Bansal, Anmol
    Choudhry, Arjun
    Sharma, Anubhav
    Susan, Seba
    Powiązania:
    https://bibliotekanauki.pl/articles/27312860.pdf
    Data publikacji:
    2023
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    Covid-19
    vaccine
    transformer
    Twitter
    BERTweet
    CT-BERT
    BERT
    XLNet
    RoBERTa
    text oversampling
    LMOTE
    class imbalance
    small sample data set
    Opis:
    Covid-19 has spread across the world and many different vaccines have been developed to counter its surge. To identify the correct sentiments associated with the vaccines from social media posts, we fine-tune various state-of-the-art pretrained transformer models on tweets associated with Covid-19 vaccines. Specifically, we use the recently introduced state-of-the-art RoBERTa, XLNet, and BERT pre-trained transformer models, and the domain-specific CT-BER and BERTweet transformer models that have been pre-trained on Covid-19 tweets. We further explore the option of text augmentation by oversampling using the language model-based oversampling technique (LMOTE) to improve the accuracies of these models - specifically, for small sample data sets where there is an imbalanced class distribution among the positive, negative and neutral sentiment classes. Our results summarize our findings on the suitability of text oversampling for imbalanced, small-sample data sets that are used to fine-tune state-of-the-art pre-trained transformer models as well as the utility of domain-specific transformer models for the classification task.
    Źródło:
    Computer Science; 2023, 24 (2); 163--182
    1508-2806
    2300-7036
    Pojawia się w:
    Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Automated approach to classification of mine-like objects using multiple-aspect sonar images
    Autorzy:
    Wang, X.
    Liu, X.
    Japkowicz, N.
    Matwin, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/91790.pdf
    Data publikacji:
    2014
    Wydawca:
    Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
    Tematy:
    object
    sea bed
    multiple side-scan sonar
    Dempster-Shafer theory
    DS concept
    classifier
    imbalance
    imbalanced problem
    multi-instance class
    Opis:
    In this paper, the detection of mines or other objects on the seabed from multiple side-scan sonar views is considered. Two frameworks are provided for this kind of classification. The first framework is based upon the Dempster–Shafer (DS) concept of fusion from a single-view kernel-based classifier and the second framework is based upon the concepts of multi-instance classifiers. Moreover, we consider the class imbalance problem which is always presents in sonar image recognition. Our experimental results show that both of the presented frameworks can be used in mine-like object classification and the presented methods for multi-instance class imbalanced problem are also effective in such classification.
    Źródło:
    Journal of Artificial Intelligence and Soft Computing Research; 2014, 4, 2; 133-148
    2083-2567
    2449-6499
    Pojawia się w:
    Journal of Artificial Intelligence and Soft Computing Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies