Verbesserung von ML-Algorithmen für unausgewogene Datensätze [German]

By Josephine Theresa

Die gro e Menge an online generierten Daten hat es Datenwissenschaftlern erm glicht, diese Informationen zu analysieren und daraus Schlussfolgerungen f r verschiedene Bereiche abzuleiten. Echtzeitdaten sind jedoch oft anf llig f r Ungleichgewichte, die die Datenqualit t beeintr chtigen k nnen und eine gro e Herausforderung im Bereich des maschinellen Lernens darstellen. Auf Stichproben basierende Techniken und auf Algorithmen basierende Modelle sind zwei prim re Methoden, die verwendet werden, um Datenungleichgewichte anzugehen und auszugleichen. In dieser Arbeit werden drei verschiedene Techniken vorgestellt, mit denen sich Ungleichgewichte in Echtzeitdaten auf unterschiedlichen Ebenen bew ltigen lassen. Der erste Ansatz schl gt eine auf Stichproben basierende Technik vor, die mit dem Bagging-Mechanismus integriert ist, um Datenungleichgewichte zu behandeln. Das Modell identifiziert ein klassenbasiertes Datenungleichgewicht und f hrt f r jede verf gbare Klasse ein Oversampling durch. Der Bagging-Mechanismus umfasst die Erstellung von Teilmengen der Trainingsdaten und zielt darauf ab, die Ungleichgewichtsniveaus in den Trainingsdaten zu variieren, um eine effektive Vorhersage zu gew hrleisten. Trotzdem bleibt der Effekt des Ungleichgewichts im Vorhersagemechanismus bestehen und f hrt zu einer falschen Klassifizierung mehrerer Minderheitsklassen.

• Format: Paperback
• Language: German
• ISBN: 6208901502
• ISBN13: 9786208901509
• Release Date: May 2025
• Publisher: Verlag Unser Wissen
• Length: 72 Pages
• Weight: 0.24 lbs.
• Dimensions: 0.2" x 6.0" x 9.0"