فروشگاه پروژه مارکت

سمینار کارشناسی ارشد کامپیوتر بررسی سازوکارهای سنجش کیفیت نگهداشت‌پذیری (Maintainability) محصولات نرم‌افزاری
۱۷ بهمن ۱۳۹۸
پروژه آماده کنترل محرکه
پروژه آماده درایو اینورتر کامل ۳ فاز | پروژه آماده کنترل محرکه
۱۷ بهمن ۱۳۹۸
نمایش همه

بازسازی توزیع نمونه برای یادگیری مجموعه داده های کوچک

۱۰۴,۰۰۰ تومان

پروژه آماده درس داده کاوی

پروژه آماده درس خوشه بندی

بر اساس مقاله: Rebuilding Sample Distributions for Small Dataset Learning

محتویات محصول:

  • شبیه سازی در متلب
  • راهنمای شبیه سازی در متلب به فرمت ورد در ۷ صفحه

جزییات پروژه

در این پروژه هدف تولید داده های شبیه سازی آموزشی و مجازی برای افزایش میزان داده های آموزشی برای آموزش بهتر کلاسیفایر میباشد. کلاسیفایرهای مورد استفاده در این پروژه شبکه عصبی BPN و رگرسیون بردار پشتیبان یا SVR میباشد. در این حالت چهاد دسته داده آموزشی مورد استفاده قرار میگیرد

  • داده اولیه با حجم کوچک: داده آموزشی کم حجم نرمالی که از دسته بندی داده بدست می­آید
  • روش Bagging: افزایش داده براساس روش Bagging یا Bootstrap aggregating که در این روش براساس قسمتی از داده مدل خاصی ساخته شده و داده تصادفی براساس مدل ساخته میشود
  • روش SMOTE یا Synthetic Minority Over-sampling Technique که براساس نزدیکترین همسایگان اقدام به افزایش حجم داده می­کند
  • روش پیشنهادی مقاله: در این روش براساس پیدا کردن تابع های عضویت و تخمین توابع اقدام به تولید داده آموزشی میشود.

پس از افزایش داده آموزشی داده به دو نوع کلاسیفایر BPN و SVR اعمال شده و شبکه آموزش میبیند. پس از آموزش شبکه داده تست به شبکه آموزش داده شده اعمال شده و خطای MAPE محاسبه میشود.

توضیحات:باتوجه به مدل مفهومی ( شکل۲) در پژوهش حاضراز دو الگوریتم یادگیری شبکه عصبی Back Propagation(BPN) و رگرسیون بردار پشتیبان(SVR) برای مدل سازی استفاده می شود و دو روش جمع آوری نمونه ، Baggingو SMOTE برای مقایسه صحت مدل ها مورد استفاده قرار میگیرد. در مرحله آماده سازی، نمونه های n به طور تصادفی از مجموعه داده ها به عنوان مجموعه داده آموزشی ترسیم می شوند و N-n باقی مانده به عنوان مجموعه داده تست در نظر گرفته می شود. در مرحله آموزش، یک آزمایش کنترلی با یک گروه کنترل و سه آزمایش انجام می شود. در گروه کنترل، مجموعه آموزش به عنوان یک مجموعه داده کوچک (SDS) در نظر گرفته شده است. در گروه های آزمایشی ۱، ۲ و ۳، مجموعه آموزشی توسط یک مجموعه آموزش جدید ایجاد شده بوسیله Bagging و SMOTE و روش پیشنهادی (PM) جایگزین می شود، در حالی که مجموعه های آموزشی جدید حاوی n واقعی و موارد مصنوعی M میباشد. در نتیجه، مدل ساخته می شود و در مرحله تست، مجموعه تست مورد استفاده قرار می گیرد. نتایج نشان می دهد که روش پیشنهادی با استفاده از Bagging و SMOTEبا بیشترین میزان پشتیبانی آماری بهترعمل می کند.

نقد و بررسی‌ها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین کسی باشید که دیدگاهی می نویسد “بازسازی توزیع نمونه برای یادگیری مجموعه داده های کوچک”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *