Эмпирическая оценка алгоритма t-SNE для визуализации данных в строительной инженерии
An Empirical Evaluation of the t-SNE Algorithm for Data Visualization in Structural Engineering
2021-12-01
SCID: 54.1/83kthfwd
Discuss with AI
SMOTEсейсмостойкое строительствонесбалансированные данныеклассификаторы на основе нейронных сетейалгоритм t-SNE
Figures from the paper
Abstract (AI)
Одной из фундаментальных задач машинного обучения является визуализация многомерных наборов данных, возникающих в областях с высокой практической значимостью. При работе с большими несбалансированными данными эта задача становится значительно более сложной. В настоящей статье алгоритм стохастического вложения соседей с распределением t (t-SNE) используется для снижения размерности набора данных, связанного с сейсмостойким строительством, с целью визуализации. Поскольку несбалансированные наборы данных существенно влияют на точность классификаторов, для устранения дисбаланса таких данных применяется метод синтетической передискретизации миноритарного класса (SMOTE). Представлены результаты, полученные с использованием t-SNE и SMOTE, и проведено их сравнение с базовыми подходами по различным аспектам. Рассматривая четыре варианта и шесть алгоритмов классификации, мы показываем, что применение t-SNE к несбалансированным данным и SMOTE к обучающей выборке обеспечивает многообещающие результаты для нейросетевых классификаторов без снижения точности. Таким образом, исследуемые научные данные можно преобразовать в двумерное (2D) пространство, что позволяет визуализировать классификатор и получаемую поверхность решений с помощью двумерного графика.
Key Findings
1
При рассмотрении четырёх вариантов и шести алгоритмов классификации сочетание t-SNE для несбалансированных данных и SMOTE для обучающей выборки показывает перспективные результаты нейросетевых классификаторов без снижения точности.
2
Для устранения дисбаланса классов в данных используется метод синтетической передискретизации меньшинства SMOTE, особенно при обработке обучающей выборки.
3
Предложенный подход позволяет представлять научные данные структурной инженерии и границы решений классификатора на интерпретируемых двумерных графиках.
4
В исследовании метод t-SNE применяется для сокращения размерности набора данных по инженерии землетрясений до двух измерений, чтобы визуализировать работу классификаторов и поверхности решений.
Research Object
несбалансированный набор данных, связанный с сейсмостойким строительством
Research Subject
эффективность двумерной визуализации на основе t-SNE и эффективность классификации с применением SMOTE для различных алгоритмов классификации
Publication Details
Publication Date
2021-12-01
Journal
Publisher
ISSN
Cited by
66
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest