搜索结果: 1-8 共查到“计算机科学技术 抽样算法”相关记录8条 . 查询时间(0.182 秒)
针对基于掩码匹配的抽样算法中使用某些抽样掩码会造成较大测量误差的问题，提出了一种增强样本随机性的改进方案．该方案首先对标识字段进行异或运算，以得到新的标识值；然后再进行匹配抽样．从理论上证明了异或运算能有效提高结果的随机性，并用实测流量数据进行了统计验证．最后，从有效性和稳定性两个方面对改进算法进行了检验．实验结果表明，改进算法的各项评价指标均优于文献［10］算法，任意的抽样掩码均能在改进算法中使...
简单随机抽样是在分析处理大规模数据集时最常用的数据约简方法,但该方法在处理内部分布不均匀的数据集时容易造成类的丢失。基于固定网格划分的密度偏差抽样算法虽能有效解决该问题,但其速度及效果易受网格划分粒度影响。为此提出了基于可变网格划分的密度偏差抽样算法,根据原始数据集每一维的分布特征确定该维相应的划分粒度,进而构建与原始数据集分布特征一致的网格空间。实验结果表明,在可变网格划分的基础上进行密度偏差抽...
针对偏斜数据集的分类问题，提出一种改进的少数类样本过抽样算法(B-ISMOTE)。在边界少数类实例及其最近邻实例构成的 n维球体空间内进行随机插值，以此产生虚拟少数类实例，减小数据的不均衡程度。在实际数据集上进行实验，结果证明，与SMOTE算法和B-SMOTE算法相比，B-ISMOTE算法具有较优的分类性能。
一种基于包速率自适应的报文抽样算法
流量测量 包速率 自适应 抽样
2010/7/1
针对NetFlow抽样概率需手动配置的缺陷，提出了一种基于包速率自适应的分组抽样算法。通过测量包速率，采用预定义测量误差的方法，根据包速率的变化自适应地调整抽样概率，从而在有限资源情况下达到控制测量误差的目的。基于实际互联网数据进行了实验比较，结果显示：与传统的NetFlow算法相比，该方法易于实现，测量误差可控，具有高效性和准确性，同时具有资源节约性。
不均衡数据集中基于Adaboost的过抽样算法
不均衡数据集 过抽样 提升算法
2009/5/6
为了提高不均衡数据集中少数类的分类性能，该文融合了提升和过抽样的优点，提出了基于提升算法Adaboost的过抽样算法MCMO-Boost，并且将其与决策树算法C4.5、提升算法Adaboost和过抽样算法SMOTE进行了实验比较与分析。结果表明，MCMO-Boost算法在少数类和数据集的总体分类性能方面都优于其它算法。
不均衡数据集学习中基于初分类的过抽样算法
不均衡数据集 过抽样 欠抽样
2009/2/17
为了有效地提高不均衡数据集中少数类的分类性能，提出了基于初分类的过抽样算法。首先，对测试集进行初分类，以尽可能多地保留多数类的有用信息；其次，对于被初分类预测为少数类的样本进行再次分类，以有效地提高少数类的分类性能。使用美国加州大学欧文分校的数据集将基于初分类的过抽样算法与合成少数类过抽样算法、欠抽样方法进行了实验比较。结果表明，基于初分类的过抽样算法的少数类与多数类的分类性能都优于其他两种算法。...
一种改进的密度偏差抽样算法
数据挖掘 偏差抽样 聚类
2008/12/30
随机抽样技术已经广泛应用于数据挖掘的各类算法中，它在处理分布均匀的数据集时非常有效，但在处理分布比较倾斜的数据集时容易丢失小的聚类。为此提出基于网格的密度偏差抽样算法，仅需要扫描一遍数据集就可以得到近似的密度偏差抽样。经实验测试分析表明，该算法不仅提高了聚类的正确性，而且抗噪声能力强、效率高，是解决海量数据挖掘的一种有效途径。