Resumen

Actualmente, la clasificación de datos es una de las formas más importantes de analizar datos. Sin embargo, junto con el desarrollo de tecnologías de recolección, transmisión y almacenamiento de datos, la escala de los datos ha aumentado considerablemente. Además, debido a las múltiples clases y la distribución desequilibrada de datos en el conjunto de datos, el problema del desequilibrio de clases también se destaca gradualmente. Los algoritmos tradicionales de aprendizaje automático carecen de habilidades para manejar los problemas mencionados anteriormente, por lo que la eficiencia y precisión de la clasificación pueden verse significativamente afectadas. Por lo tanto, este documento presenta una red neuronal artificial mejorada que permite la clasificación de alto rendimiento para datos de gran volumen desequilibrados. En primer lugar, se emplea el algoritmo Borderline-SMOTE (técnica de sobremuestreo sintético de minorías) para equilibrar el conjunto de datos de entrenamiento, lo que potencialmente tiene como objetivo mejorar el entrenamiento de la red neuronal de retropropagación (BPNN), y luego se

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Clasificación de datos; Algoritmos de aprendizaje automático; Distribución desequilibrada de datos; Algoritmo Borderline-SMOTE; Red neuronal artificial; Paralelización basada en aprendizaje de conjuntos
• Keywords:Data classification; Machine learning algorithms; Imbalanced data distribution; Borderline-SMOTE algorithm; Artificial neural network; Ensemble learning-based parallelization