Enfoque de aprendizaje profundo basado en muestreo estratificado para aumentar la precisión de predicción de un conjunto de datos desequilibrado
Autores: Sadaiyandi, Jeyabharathy; Arumugam, Padmapriya; Sangaiah, Arun Kumar; Zhang, Chao
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Enfoque de aprendizaje profundo basado en muestreo estratificado para aumentar la precisión de predicción de un conjunto de datos desequilibrado
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Naturaleza desequilibrada
Conjuntos de datos
Clasificación
Procedimientos de muestreo
Aprendizaje automático
Aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
Debido a la naturaleza desequilibrada de los conjuntos de datos, clasificar clases de datos desequilibradas y realizar predicciones precisas sigue siendo una tarea desafiante. Los procedimientos de muestreo, junto con algoritmos de aprendizaje automático y aprendizaje profundo, son una bendición para resolver este tipo de tarea desafiante. El objetivo de este estudio es utilizar enfoques de aprendizaje automático y aprendizaje profundo basados en muestreo para automatizar el reconocimiento de árboles en descomposición a partir de un conjunto de datos forestales.
Descripción
Debido a la naturaleza desequilibrada de los conjuntos de datos, clasificar clases de datos desequilibradas y realizar predicciones precisas sigue siendo una tarea desafiante. Los procedimientos de muestreo, junto con algoritmos de aprendizaje automático y aprendizaje profundo, son una bendición para resolver este tipo de tarea desafiante. El objetivo de este estudio es utilizar enfoques de aprendizaje automático y aprendizaje profundo basados en muestreo para automatizar el reconocimiento de árboles en descomposición a partir de un conjunto de datos forestales.