Comparison of Controlled Undersampling Methods for Machine Learning

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F63839172%3A_____%2F24%3A10133704" target="_blank" >RIV/63839172:_____/24:10133704 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/10467755" target="_blank" >https://ieeexplore.ieee.org/document/10467755</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ACDSA59508.2024.10467755" target="_blank" >10.1109/ACDSA59508.2024.10467755</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Comparison of Controlled Undersampling Methods for Machine Learning

Popis výsledku v původním jazyce

Data reduction is an important preprocessing operation for Machine Learning to learn from large datasets, especially in the case of applications requiring online learning using constrained resources. Our survey focuses on a specific family of data reduction methods - controlled undersampling methods. We observe the behaviour of the methods as they cooperate with several supervised machine-learning techniques over multiple evaluation datasets. Our results show that the random undersampling method offers surprisingly good results compared to more complex methods and is a good fit for online and resource-sensitive machine-learning applications.

Název v anglickém jazyce

Comparison of Controlled Undersampling Methods for Machine Learning

Popis výsledku anglicky

Data reduction is an important preprocessing operation for Machine Learning to learn from large datasets, especially in the case of applications requiring online learning using constrained resources. Our survey focuses on a specific family of data reduction methods - controlled undersampling methods. We observe the behaviour of the methods as they cooperate with several supervised machine-learning techniques over multiple evaluation datasets. Our results show that the random undersampling method offers surprisingly good results compared to more complex methods and is a good fit for online and resource-sensitive machine-learning applications.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/LM2023054" target="_blank" >LM2023054: e-Infrastruktura CZ</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

International Conference on Artificial Intelligence, Computer, Data Sciences, and Applications, ACDSA 2024

ISBN

979-8-3503-9452-8

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

—

Název nakladatele

Institute of Electrical and Electronics Engineers Inc.

Místo vydání

Neuveden

Místo konání akce

Victoria, Seychelles

Datum konání akce

1. 2. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—