Resumen

En el aprendizaje de desequilibrio de clases, la Técnica de Sobremuestreo Sintético de la Minoría (SMOTE, por sus siglas en inglés) es una técnica ampliamente utilizada para abordar problemas de desequilibrio de clases a nivel de datos, mientras que SMOTE selecciona ciegamente puntos de la clase minoritaria vecina al realizar una interpolación entre ellos y trae inevitablemente colinealidad entre los nuevos puntos generados y los originales. Para combatir estos problemas, proponemos en este estudio un método de SMOTE con ponderación adaptativa, denominado AWSMOTE. AWSMOTE aplica dos tipos de pesos basados en SVM en SMOTE. Un tipo de peso se utiliza en el espacio de variables para combatir las desventajas de la colinealidad, mientras que otro peso se utiliza en el espacio de muestras para elegir intencionalmente esos vectores de soporte de la clase minoritaria como los puntos vecinos en la interpolación. AWSMOTE se compara con SMOTE y sus versiones mejoradas con seis conjuntos de datos simulados y 22 conjuntos de datos del mundo real

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Aprendizaje con desequilibrio de clases; Técnica de Sobremuestreo de Minorías Sintéticas; SMOTE; AWSMOTE; Pesos basados en SVM; Colinealidad; Vectores de soporte; Interpolación; Conjuntos de datos simulados; Conjuntos de datos del mundo real; Efectividad; Ventajas; Ponderación adaptativa; Espacio de variables; Espacio de muestras; Inconvenientes; Puntos vecinos; Enfoque propuesto; Problemas; Abordar.
• Keywords:Class-imbalance learning; Synthetic Minority Oversampling Technique; SMOTE; AWSMOTE; SVM-based weights; Collinearity; Support vectors; Interpolation; Simulated datasets; Real-world datasets; Effectiveness; Advantages; Adaptive-weighting; Variable space; Sample space; Drawbacks; Neighboring points; Proposed approach; Problems; Tackle.