Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Towards Automated UI-Tests for Sensor-Based Mobile Applications Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

A Method for Class Noise Detection Based on K-means and SVM Algorithms

verfasst von : Zahra Nematzadeh, Roliana Ibrahim, Ali Selamat

Erschienen in: Intelligent Software Methodologies, Tools and Techniques

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

One of the techniques for improving the accuracy of induced classifier is noise filtering. The classifiers prediction performance is affected by the noisy datasets used in the induction of classifiers. Therefore, it is very important to detect and remove the noise in order to increase the classification accuracy. This paper proposed a model for noise detection in the datasets using k-means and support vector machine (SVM) techniques. The proposed model has been tested using the datasets from University of California, Irvine machine learning repository. Experimental results reveal that the proposed model can improve data quality and increase the classification accuracies.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Evaluating Extant Uranium: Linguistic Reasoning by Fuzzy Artificial Neural Networks
Nächstes Kapitel GDM-VieweR: A New Tool in R to Visualize the Evolution of Fuzzy Consensus Processes
Literatur
1.
Lowongtrakool, C.: Noise filtering in unsupervised clustering using computation intelligence. Int. J. Math. Anal. 6, 2911–2920 (2012)
2.
Sluban, B., Gamberger, D., Lavra, N.: Advances in class noise detection, pp. 1105–1106 (2010)
3.
Daza, L., Acuna, E.: An algorithm for detecting noise on supervised classification (2007)
4.
5.
Hodge, V.J., Austin, J.: A survey of outlier detection methodologies. Artif. Intell. Rev. 22(2), 1–43 (2004)CrossRef
6.
Van Hulse, J.D., Khoshgoftaar, T.M., Huang, H.: The pairwise attribute noise detection algorithm. Knowl. Inf. Syst. 11, 171–190 (2006)CrossRef
7.
Miranda, A.L., Garcia, L.P.F., Carvalho, A.C., Lorena, A.C.: Use of classification algorithms in noise detection and elimination. In: Corchado, E., Wu, X., Oja, E., Herrero, Á., Baruque, B. (eds.) HAIS 2009. LNCS, vol. 5572, pp. 417–424. Springer, Heidelberg (2009)CrossRef
8.
Li, D., Hu, W., Xiong, W., Yang, J.: Fuzzy relevance vector machine for learning from unbalanced data and noise. Pattern Recogn. Lett. 29, 1175–1181 (2008)CrossRef
9.
Xiong, H., Pandey, G., Member, S.: Enhancing data analysis with noise removal. IEEE Trans. Knowl. Data Eng. 18, 304–319 (2006)CrossRef
10.
Li, Y.: Classification in the presence of class noise. Pattern Recogn. 5, 1–30 (2003)
11.
Zeng, X., Martinez, T.: A noise filtering method using neural networks. In: IEEE lnternational Workshop on Soft Computing Techniques in Instrumentatian, Measurement and Related Application, SCIMA 2003, pp. 26–31. IEEE (2003)
12.
Zhu, X., Chen, Q.: eliminating class noise in large datasets, pp. 920–927.(2003)
13.
Lawrence, N.D., Schölkopf, B.: Estimating a kernel Fisher discriminant in the presence of label noise. In: ICML, pp. 306–313. Citeseer (2001)
14.
Gamberger, D., Lavrac, N.: Noise detection and elimination in data preprocessing: experiments in medical domains. Appl. Artif. Intell. 14(2), 205–223 (2000)CrossRef
15.
Shah, Z., Mahmood, A.N., Mustafa, A.K.: A hybrid approach to improving clustering accuracy using SVM. In: Industrial Electronics and Applications (ICIEA), pp. 783–788. IEEE (2013)
16.
Vapnik, V.N., Vapnik, V.: Statistical Learning Theory. Wiley, New York (1998)
17.
Jiang, B., Zhang, X., Cai, T.: Estimating the confidence interval for prediction errors of support vector machine classifiers. J Mach. Learn. Res. 9, 521–540 (2008)MathSciNet
18.
Kordos, M., Rusiecki, A.: Improving MLP neural network performance by noise reduction. In: Dediu, A.-H., Martín-Vide, C., Truthe, B., Vega-Rodríguez, M.A. (eds.) TPNC 2013. LNCS, vol. 8273, pp. 133–144. Springer, Heidelberg (2013)CrossRef
19.
Salehi, S., Selamat, A., Mashinchi, R., Fujita, H.: The synergistic combination of particle swarm optimization and fuzzy sets to design granular classifier. Knowl.-Based Syst. 76, 200–218 (2015)CrossRef
20.
Byeon, B., Rasheed, K., Doshi, P.: Enhancing the quality of noisy training data using a genetic algorithm and prototype selection. In: IC-AI, pp. 821–827 (2008)
21.
Utkin, L.V., Zhuk, Y.A.: Robust boosting classification models with local sets of probability distributions. Knowl.-Based Syst. 61, 59–75 (2014)CrossRef
Metadaten
Titel
A Method for Class Noise Detection Based on K-means and SVM Algorithms
verfasst von
Zahra Nematzadeh
Roliana Ibrahim
Ali Selamat
Copyright-Jahr
2015
Buch
Intelligent Software Methodologies, Tools and Techniques

Print ISBN: 978-3-319-22688-0

Electronic ISBN: 978-3-319-22689-7

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-22689-7_23