Ulepszanie algorytmów uczenia maszynowego dla niezrównoważonych zestawów danych

Du¿a ilo¿¿ danych generowanych online umo¿liwi¿a naukowcom zajmuj¿cym si¿ danymi analizowanie tych informacji i wyci¿ganie wniosków z ró¿nych dziedzin. Jednak dane w czasie rzeczywistym s¿ cz¿sto podatne na brak równowagi, co mo¿e obni¿y¿ jako¿¿ danych i stanowi powäne wyzwanie w dziedzinie uczenia maszynowego. Techniki oparte na próbkowaniu i modele oparte na algorytmach to dwie podstawowe metody stosowane do rozwi¿zywania i równowäenia nierównowagi danych. W niniejszej rozprawie przedstawiono trzy ró¿ne techniki zarz¿dzania ró¿nymi poziomami nierównowagi w danych w czasie rzeczywistym.Pocz¿tkowe podej¿cie proponuje technik¿ opart¿ na próbkowaniu zintegrowan¿ z mechanizmem bagging w celu radzenia sobie z nierównowag¿ danych. Model identyfikuje nierównowag¿ danych opart¿ na klasach i wykonuje nadpróbkowanie dla kädej dost¿pnej klasy. Mechanizm bagging polega na tworzeniu podzbiorów danych szkoleniowych, maj¿c na celu zró¿nicowanie poziomów nierównowagi w danych szkoleniowych, aby zapewni¿ skuteczne przewidywanie. Mimo to efekt braku równowagi utrzymuje si¿ w mechanizmie predykcji, prowadz¿c do nieprawid¿owej klasyfikacji kilku klas mniejszo¿ciowych.