Librería Samer Atenea
Librería Aciertas (Toledo)
Kálamo Books
Librería Perelló (Valencia)
Librería Elías (Asturias)
Donde los libros
Librería Kolima (Madrid)
Librería Proteo (Málaga)
W dzisiejszym świecie opartym na danych większość rzeczywistych aplikacji boryka się z problemem nierównowagi klas, gdzie kluczowe dane są rzadkością. Ta nierównowaga ma poważny wpływ na dokładność modeli klasyfikacyjnych, zwłaszcza w wrażliwych dziedzinach, takich jak diagnostyka medyczna, finanse i przewidywanie błędów oprogramowania. W systemach oprogramowania wczesne przewidywanie błędów ma zasadnicze znaczenie dla obniżenia kosztów i poprawy niezawodności. Jednak wiele modeli uczenia maszynowego zawodzi z powodu nierównomiernych zbiorów danych. Aby rozwiązać ten problem, proponujemy trzy nowatorskie algorytmy: IDROS (próbkowanie nadmierne), IDRUS (próbkowanie niedostateczne) oraz podejście hybrydowe IDROSUS. IDROS wykorzystuje KNN wokół centroidu mniejszościowego do generowania danych syntetycznych, natomiast IDRUS usuwa mniej istotne próbki większościowe na podstawie odległości od średniej. Hybrydowy algorytm IDROSUS równoważy obie strony jednocześnie, zmniejszając nadmierne dopasowanie i niedopasowanie. Oceniliśmy te metody przy użyciu 40 zbiorów danych z repozytorium PROMISE i przetestowaliśmy je w ośmiu klasyfikatorach. Wskaźniki wydajności, takie jak dokładność, przypomnienie, precyzja i miara F, wykazały, że IDROSUS przewyższa istniejące techniki.