Resumen

Para mejorar el rendimiento de la clasificación del aprendizaje desequilibrado, se propone un nuevo método de sobremuestreo, la técnica de sobremuestreo de centroides inmunes (ICOTE) basada en una red inmune. ICOTE genera un conjunto de centroides inmunes para ampliar las regiones de decisión del espacio de clases minoritarias. Los centroides inmunes representativos se consideran ejemplos sintéticos para resolver el problema del desequilibrio. Utilizamos una red inmune artificial para generar ejemplos sintéticos en clusters con altas densidades de datos, lo que puede resolver el problema de la técnica de sobremuestreo de minorías sintéticas (SMOTE), que carece de reflexión sobre grupos de ejemplos de entrenamiento. Mientras tanto, mejoramos aún más el rendimiento de ICOTE mediante la integración de ENN con ICOTE, es decir, ICOTE ENN. ENN elimina los ejemplos de la clase mayoritaria que invaden el espacio de la clase minoritaria, por lo que ICOTE ENN favorece la separación de ambas clases. Nuestros exhaustivos resultados experimentales demuestran que los dos métodos de sobremuestreo propuestos pueden lograr un mejor rendimiento que los reconocidos métodos de remuestreo.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:espacio de clases minoritarias, icote, ejemplo sintético, centroide inmunitario, enn, grupo de entrenamiento, centroide inmunitario representativo, red inmunitaria artificial, métodos de remuestreo reconocidos, rendimiento del icote
• Keywords:minority class space, icote, synthetic example, immune centroid, enn, group of training, representative immune centroid, artificial immune network, renowned resampling methods, performance of icote