Resumen

Los clasificadores clásicos son ineficaces para lidiar con el problema de la clasificación de conjuntos de datos grandes e desbalanceados. Re-muestrear los conjuntos de datos y equilibrar la distribución de las muestras antes de entrenar el clasificador es uno de los enfoques más populares para resolver este problema. En este artículo se propone un método de muestreo híbrido efectivo y sencillo basado en la partición de datos (HSDP). En primer lugar, todas las muestras de datos se dividen en diferentes regiones de datos. Luego, se eliminan las muestras de datos en la región de muestras minoritarias ruidosas y se seleccionan las muestras en la región de muestras minoritarias fronterizas como semillas de sobremuestreo para generar muestras sintéticas. Finalmente, se lleva a cabo un proceso de sobremuestreo ponderado considerando la generación de muestras sintéticas en el mismo clúster de la semilla de sobremuestreo. El peso de cada muestra seleccionada de la clase minoritaria se calcula mediante la prop

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Clasificadores; Clasificación de conjuntos de datos desequilibrados; Remuestreo; Método de muestreo híbrido; Muestras minoritarias; Muestras sintéticas
• Keywords:Classifiers; Imbalanced dataset classification; Resampling; Hybrid sampling method; Minority samples; Synthetic samples