کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4943777 | 1437710 | 2017 | 31 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Approaches to learning strictly-stable weights for data with missing values
ترجمه فارسی عنوان
روش های یادگیری وزن با شدت پایدار برای داده ها با ارزش های گم شده
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
توابع جمع و جور، ثبات دقیق، داده های گم شده، یادگیری وزن، برنامه ریزی خطی،
ترجمه چکیده
مشکل داده های از دست رفته در برنامه های دنیای واقعی یادگیری ماشین های نظارتی مانند طبقه بندی و رگرسیون رایج است. چنین داده هایی اغلب نیاز به توابع تعریف شده برای ابعاد مختلف را ایجاد می کنند. در اینجا ما پیشنهاد می کنیم روش های بهینه سازی برای یادگیری وزن های ابزار شبه حسابی در متن داده ها با مقادیر گم شده. ما برخی از رویکردهای جایگزین را با توجه به تعداد متغیرهایی که مقادیر گمشده را نشان می دهند بررسی می کنیم و نتایج را برای چندین آزمایش عددی نشان می دهیم.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
The problem of missing data is common in real-world applications of supervised machine learning such as classification and regression. Such data often gives rise to the need for functions defined for varying dimension. Here we propose optimization methods for learning the weights of quasi-arithmetic means in the context of data with missing values. We investigate some alternative approaches depending on the number of variables that have missing values and show results for several numerical experiments.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Fuzzy Sets and Systems - Volume 325, 15 October 2017, Pages 97-113
Journal: Fuzzy Sets and Systems - Volume 325, 15 October 2017, Pages 97-113
نویسندگان
Gleb Beliakov, Daniel Gómez, Simon James, Javier Montero, J. Tinguaro RodrÃguez,