Resumen

El aprendizaje del desequilibrio de clases (CIL) es una rama importante del aprendizaje automático, ya que, en general, es difícil para los modelos de clasificación aprender de datos desequilibrados; mientras tanto, la distribución sesgada de datos existe con frecuencia en diversas aplicaciones del mundo real. En este artículo, presentamos una solución novedosa de CIL llamada Máquina de Densidad de Probabilidad (PDM). Primero, en el contexto del modelo predictivo de Naive Bayes Gaussiano (GNB), analizamos la razón por la cual la distribución de datos desequilibrada hace que el rendimiento del modelo predictivo disminuya en teoría y llegamos a una conclusión sobre el impacto del desequilibrio de clases que solo está asociado con la probabilidad previa, pero no se relaciona con la probabilidad condicional de los datos de entrenamiento. Luego, en dicho contexto, mostramos la racionalidad de varias técnicas tradicionales de CIL. Además, indicamos la desventaja de combinar GNB con estas técnicas tradicionales de CIL.

• 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 de desequilibrio de clases; Aprendizaje automático; Máquina de densidad de probabilidad; Bayes ingenuo gaussiano; Estimación de densidad de probabilidad de los k vecinos más cercanos; Técnicas de CIL
• Keywords:Class imbalance learning; Machine learning; Probability density machine; Gaussian Naive Bayes; K-nearest neighbors probability density estimation; CIL techniques