IEEE Transactions on Fuzzy Systems, Volume 33, Issue 1, January 2025
1) 模糊深度神经网络学习在情绪分析中的特邀编辑专题作者：Gautam Srivastava、Chun-Wei Lin页数：1 - 22) Fcdnet：基于模糊认知的多模态情绪分析动态融合网络作者：Shuai Liu、Zhe Luo、Weina Fu页数：3 - 143) 多模态情绪分析的联合客观和主观模糊性去噪作者：Xun Jiang、Xing Xu、Huimin Lu、Lianghua He、Heng Tao Shen页数：15 - 274) 使用模糊深度神经网络学习探索情绪分析的多模态多尺度特征作者：Xin Wang、Jianhui Lyu、Byung-Gyu Kim、B. D. Pa
Data Leakage in Preprocessing, Explained: A Visual Guide with Code Examples
数据预处理预处理管道泄漏的 10 种隐秘方式在我教授机器学习的经验中，学生经常会遇到同样的问题：“我的模型表现很好——准确率超过 90%！但是当我将其提交给隐藏数据集进行测试时，它现在不那么好了。哪里出了问题？”这种情况几乎总是指向数据泄漏。当测试数据中的信息在数据准备步骤中潜入（或泄漏）到您的训练数据中时，就会发生数据泄漏。这通常发生在常规数据处理任务中，而您没有注意到。当发生这种情况时，模型会从它不应该看到的测试数据中学习，从而使测试结果具有误导性。让我们看看常见的预处理步骤，看看数据泄漏时究竟会发生什么——希望您可以在自己的项目中避免这些“管道问题”。所有视觉效果：作者使用 Canva
Oversampling and Undersampling, Explained: A Visual Guide with Mini 2D Dataset
数据预处理人工生成和删除数据，以造福大众⛳️ 更多数据预处理，解释：· 缺失值插补 · 分类编码 · 数据缩放 · 离散化 ▶ 过采样和欠采样收集每个类别都有完全相同数量的类别需要预测的数据集可能是一个挑战。实际上，事情很少能完美平衡，当你制作分类模型时，这可能是一个问题。当一个模型在这样的数据集上训练时，一个类别比另一个类别有更多的示例，它通常会变得更擅长预测较大的组，而更不擅长预测较小的组。为了解决这个问题，我们可以使用过采样和欠采样等策略——为较小的组创建更多示例或从较大的组中删除一些示例。目前有许多不同的过采样和欠采样方法（名字吓人，如 SMOTE、ADASYN 和 Tomek Lin
Evolving Systems, Volume 15, Issue 6, December 2024
1) 移动机器人分层定位中 CNN 模型和数据增强技术的评估作者：Juan José Cabrera、Orlando José Céspedes、Luis Payá页数：1991 - 20032) 用于智能城市入侵检测系统的混合机器学习框架作者：Komal Singh Gill、Arwinder Dhillon页数：2005 - 20193) 针对缺失值和类别不平衡问题的多重插补和一类装袋集成方法的混合作者：Pranita Baro、Malaya Dutta Borah页数：2021 - 20664) 使用基于 Lyapunov 稳定性的新型局部连接循环 pi-sigma 神经网络进行非线性动
Discretization, Explained: A Visual Guide with Code Examples for Beginners
数据预处理将数字分类到箱中的 6 种有趣方法！⛳️ 更多数据预处理说明：· 缺失值插补 · 分类编码 · 数据缩放 ▶ 离散化 · 过度和欠采样（即将推出！）大多数机器学习模型都要求数据为数值——所有对象或分类数据必须首先采用数字格式。但实际上，有时分类数据会派上用场（大多数时候，它对我们人类比对机器更有用）。离散化（或分箱）就是这样做的——将数值数据转换为分类数据！根据您的目标，有多种方法可以对数据进行分类。在这里，我们将使用一个简单的数据集来展示六种不同的分箱方法。从等宽到基于聚类的方法，我们将这些数值扫入一些分类箱中！所有视觉效果：作者使用 Canva Pro 创建。针对移动设备进行了优
