اکسپرس 24
ترجمه فارسی مقاله تکنیک نمونه‌برداری بیش از حد مصنوعی اقلیت با حداقل گوی محصورکننده از دیدگاه هندسی

ترجمه فارسی مقاله تکنیک نمونه‌برداری بیش از حد مصنوعی اقلیت با حداقل گوی محصورکننده از دیدگاه هندسی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Minimum Enclosing Ball Synthetic Minority Oversampling Technique from a Geometric Perspective
عنوان مقاله به فارسی تکنیک نمونه‌برداری بیش از حد مصنوعی اقلیت با حداقل گوی محصورکننده از دیدگاه هندسی
نویسندگان Yi-Yang Shangguan, Shi-Shun Chen, Xiao-Yang Li
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
دسته بندی موضوعات Machine Learning,Computational Geometry,یادگیری ماشین , هندسه محاسباتی ,
توضیحات Submitted 6 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده در 6 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 320,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Class imbalance refers to the significant difference in the number of samples from different classes within a dataset, making it challenging to identify minority class samples correctly. This issue is prevalent in real-world classification tasks, such as software defect prediction, medical diagnosis, and fraud detection. The synthetic minority oversampling technique (SMOTE) is widely used to address class imbalance issue, which is based on interpolation between randomly selected minority class samples and their neighbors. However, traditional SMOTE and most of its variants only interpolate between existing samples, which may be affected by noise samples in some cases and synthesize samples that lack diversity. To overcome these shortcomings, this paper proposes the Minimum Enclosing Ball SMOTE (MEB-SMOTE) method from a geometry perspective. Specifically, MEB is innovatively introduced into the oversampling method to construct a representative point. Then, high-quality samples are synthesized by interpolation between this representative point and the existing samples. The rationale behind constructing a representative point is discussed, demonstrating that the center of MEB is more suitable as the representative point. To exhibit the superiority of MEB-SMOTE, experiments are conducted on 15 real-world imbalanced datasets. The results indicate that MEB-SMOTE can effectively improve the classification performance on imbalanced datasets.

چکیده به فارسی (ترجمه ماشینی)

عدم تعادل کلاس به تفاوت معنی داری در تعداد نمونه های کلاسهای مختلف در یک مجموعه داده اشاره دارد و شناسایی صحیح نمونه های کلاس اقلیت را به چالش می کشد.این مسئله در کارهای طبقه بندی در دنیای واقعی مانند پیش بینی نقص نرم افزار ، تشخیص پزشکی و تشخیص کلاهبرداری شیوع دارد.تکنیک نمونه برداری از اقلیت مصنوعی (SMOTE) به طور گسترده ای برای پرداختن به مسئله عدم تعادل کلاس استفاده می شود ، که مبتنی بر درون یابی بین نمونه های کلاس اقلیت به طور تصادفی و همسایگان آنها است.با این حال ، SMOTE سنتی و بیشتر انواع آن فقط بین نمونه های موجود در هم تنیده می شود ، که ممکن است در برخی موارد تحت تأثیر نمونه های سر و صدا قرار بگیرد و نمونه هایی را که فاقد تنوع هستند ، سنتز کنند.برای غلبه بر این کاستی ها ، این مقاله از منظر هندسه حداقل روش محاصره کننده توپ (MEB-Smote) را پیشنهاد می کند.به طور خاص ، MEB به طور خلاقانه ای برای ساخت یک نقطه نماینده به روش نمونه برداری معرفی می شود.سپس ، نمونه های با کیفیت بالا با درون یابی بین این نقطه نماینده و نمونه های موجود سنتز می شوند.دلیل اصلی ساخت یک نکته نماینده مورد بحث قرار گرفته است ، نشان می دهد که مرکز MEB به عنوان نقطه نماینده مناسب تر است.برای نشان دادن برتری MEB-smote ، آزمایش ها بر روی 15 مجموعه داده نامتعادل در دنیای واقعی انجام می شود.نتایج نشان می دهد که MEB-Smote می تواند به طور مؤثر عملکرد طبقه بندی را در مجموعه داده های نامتعادل بهبود بخشد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.