El aprendizaje del desequilibrio de clases (CIL) es una rama importante del aprendizaje automático, ya que, en general, es difícil para los modelos de clasificación aprender de datos desequilibrados; mientras tanto, la distribución sesgada de datos existe con frecuencia en diversas aplicaciones del mundo real. En este artículo, presentamos una solución novedosa de CIL llamada Máquina de Densidad de Probabilidad (PDM). Primero, en el contexto del modelo predictivo de Naive Bayes Gaussiano (GNB), analizamos la razón por la cual la distribución de datos desequilibrada hace que el rendimiento del modelo predictivo disminuya en teoría y llegamos a una conclusión sobre el impacto del desequilibrio de clases que solo está asociado con la probabilidad previa, pero no se relaciona con la probabilidad condicional de los datos de entrenamiento. Luego, en dicho contexto, mostramos la racionalidad de varias técnicas tradicionales de CIL. Además, indicamos la desventaja de combinar GNB con estas técnicas tradicionales de CIL.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Un problema de asignación y su aplicación en el ámbito educativo: Una revisión y un camino potencial
Artículo:
Nueva Ley de Protección Ambiental de China e Innovación Verde: Evidencia de Ciudades a Nivel de Prefectura
Artículo:
Sistema de firma autocertificada basado en celosía y de seguridad garantizada
Artículo:
Almacenamiento en caché energéticamente eficiente en redes celulares con Backhaul y popularidad dinámica de contenidos
Artículo:
Audífonos para ver conciertos
Artículo:
Creación de empresas y estrategia : reflexiones desde el enfoque de recursos
Libro:
Ergonomía en los sistemas de trabajo
Artículo:
La gestión de las relaciones con los clientes como característica de la alta rentabilidad empresarial
Artículo:
Los web services como herramienta generadora de valor en las organizaciones