Analyse de la classification pour les données déséquilibrées [French]

By S. Sinduja and Dharmendra Singh Rajput

Une norme quantit de donn es est collect e et stock e dans des bases de donn es partout dans le monde. Ces donn es sont regroup es et continuent d'augmenter chaque ann e. L'extraction des informations cach es dans ces bases de donn es et la classification des informations extraites sont les t ches les plus importantes de l'exploration de donn es. Si ces ensembles de donn es sont d s quilibr s, il devient difficile de les traiter. La pr diction de l'avenir est l'une des t ches fondamentales de l'exploration de donn es. Travailler avec des ensembles de donn es d s quilibr s pour pr dire les r sultats possibles est une t che tr s fastidieuse. Un ensemble de donn es est d s quilibr lorsqu'il n'est pas class correctement, c'est- -dire lorsqu'une classe contient plus d'instances que l'autre. Ces classes sont souvent repr sent es par une classe positive (minoritaire) et une classe n gative (majoritaire). La classe qui a le moins d' chantillons est appel e classe minoritaire, et celle qui en a le plus est appel e classe majoritaire. Le d s quilibre d'un ensemble de donn es est l'origine de nombreux probl mes graves dans le domaine de l'exploration de donn es. En g n ral, l'algorithme de classification standard consid re l'ensemble de donn es comme quilibr , ce qui se traduit par un penchant pour la classe majoritaire. L' quilibrage des ensembles de donn es est donc essentiel pour de nombreuses applications en temps r el.

• Format: Paperback
• Language: French
• ISBN: 6206345432
• ISBN13: 9786206345435
• Release Date: August 2023
• Publisher: Editions Notre Savoir
• Length: 68 Pages
• Weight: 0.25 lbs.
• Dimensions: 0.2" x 6.0" x 9.0"