بازسازی توزیع نمونه برای یادگیری مجموعه داده های کوچک با متلب(1128)
شش سال پیش منتشر شده
تعداد بازدید: 424
کد پروژه: 118251
شرح پروژه
سلام
باتوجه به مدل مفهومی ( شکل2) 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 1، 2 و 3، 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.
این پروژه شامل 1 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.
مهارت ها و تخصص های مورد نیاز
مهلت برای انجام
7روز
وضعیت مناقصه
بسته
درباره کارفرما
عضویت سیزده سال پیش
