بهبود رده بندی داده های نامتوازن در الگوریتم جنگل تصادفی با استفاده از شبکه های عصبی- مرحله

امروزه پژوهشگران برای داده کاوی ، با دو نوع داده، مواجه هستند: 1- داده های متوازن 2- داده های نامتوازن . چالش اصلی، در داده کاوی داده های نامتوازن است. از طرفی، یکی از روش های داده کاوی، رده بندی است. برای رده بندی داده های نامتوازن با چالش هایی مانند: استخراج مدل جانبدارانه متمایل به داده های آموزشی، رده بندی اشتباه رده اقلیت ، صرفه نظر کردن از داده های مهم رده اقلیت و بیش پوشش مواجه هستیم؛ از این رو از روش های مرسوم و معمول نمی توان برای رده بندی این نوع داده ها استفاده کرد. در این تحقیق، سعی شده است رده بندی داده های نامتوازن با الگوریتم جنگل تصادفی را با استفاده از روش شبکه های عصبی–مرحلهی انفیس ، بهبود بخشیده و معیارهای مختلف برای ارزیابی این روش، سنجیده شود.