Resumen

Los conjuntos de datos desequilibrados se encuentran con frecuencia en muchas aplicaciones reales. El remuestreo es una de las soluciones efectivas debido a que genera una distribución de clases relativamente equilibrada. En este artículo, se propone un enfoque SVM de muestreo híbrido que combina una técnica de sobremuestreo y una técnica de submuestreo para abordar el problema de clasificación de datos desequilibrados. El enfoque propuesto primero utiliza una técnica de submuestreo para eliminar algunas muestras de la clase mayoritaria con menos información de clasificación y luego aplica una técnica de sobremuestreo para crear gradualmente algunas nuevas muestras positivas. De esta manera, se genera un conjunto de datos de entrenamiento equilibrado para reemplazar el conjunto de datos de entrenamiento desequilibrado original. Finalmente, a través de resultados experimentales en conjuntos de datos del mundo real, nuestro enfoque propuesto tiene la capacidad de identificar muestras informativas y abordar el problema de clasificación de datos desequilibrados.

• Materias:Ecuaciones diferenciales Ecuaciones integrales Variables independientes Sistemas dinámicos Combinaciones convexas
• Subjects:Differential equations Integral equations Independent variables Dynamic systems Convex combinations
• Palabras claves:Conjuntos de datos; Remuestreo; Muestreo híbrido; SVM; Sobremuestreo; Submuestreo
• Keywords:Datasets; Resampling; Hybrid sampling; SVM; Oversampling; Undersampling