دوره 20، شماره 4 - ( 12-1402 )                   جلد 20 شماره 4 صفحات 34-23 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hamidzadeh J, Rashidi Mahmoodi M A, Moradi M. Online Learning for Imbalanced Data Streams with Concept Drift by Belief Theory and Chaotic Function. JSDP 2024; 20 (4) : 2
URL: http://jsdp.rcisp.ac.ir/article-1-1246-fa.html
حمیدزاده جواد، رشیدی محمودی محمدعلی، مرادی منا. یادگیری برخط داده‌های جریانی نامتوازن دارای رانش مفهوم توسط نظریه باور و تابع آشوب. پردازش علائم و داده‌ها. 1402; 20 (4) :23-34

URL: http://jsdp.rcisp.ac.ir/article-1-1246-fa.html

یادگیری برخط داده‌های جریانی نامتوازن دارای رانش مفهوم توسط نظریه باور و تابع آشوب
جواد حمیدزاده* ، محمدعلی رشیدی محمودی ، منا مرادی
دانشگاه سجاد
چکیده:   (46 مشاهده)
در گذر زمان خصوصیات داده‌های جریانی ناپایدار بوده و توزیع طبقات متحمل تغییرات می‌گردند بنابراین مدل‌های یادگیری غالباً نیاز به تطبیق با رانش مفاهیم دارند. در این مقاله، با هدف حل دو چالش عدم توازن میان طبقات مشاهده‌شده و وقوع رانش مفهوم، طبقه‌بند داده‌های جریانی نامتوازن دارای رانش مفهوم ارائه شده است. روش پیشنهادی سعی در حذف داده‌های جریانی مرزی و نویزی با کمک خوشه‌بندی دارد. داده‌ها با کمک تابع باور وزن دهی شده و با در نظر گرفتن برچسب داده‌ها، نمونه افزایی در نواحی کم تراکم طبقه اقلیت و با رویکرد آشوبی انجام می‌گیرد. سپس، با تعریف حد آستانه، رانش مفهوم شناسایی می‌شود. پیش‌بینی برچسب توسط طبقه‌بند ترکیبی و رای گیری وزن‌دار اکثریت انجام می‌پذیرد. عملکرد روش پیشنهادی بر روی مجموعه داده‌های پایگاه داده UCI توسط روش LOO ارزیابی و با طبقه‌بندهای مرز دانش مقایسه شده است. نتایج آزمایش‌ها نشان‌دهنده برتری روش پیشنهادی از نظر معیارهای ارزیابی است.
شماره‌ی مقاله: 2
واژه‌های کلیدی: تغییر مفهوم، داده جریانی، داده نامتوازن، طبقه‌بندی برخط، نظریه باور.
متن کامل [PDF 807 kb]   (26 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش داده‌های رقمی
دریافت: 1400/4/10 | پذیرش: 1402/4/14 | انتشار: 1403/2/6 | انتشار الکترونیک: 1403/2/6
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.