دسته بندی مجموعه داده های نامتوازن با استفاده از روشهای یادگیری ماشین

یکی از مسائل مهم در زمینه داده کاوی، مسئله دسته بندی مجموعه داده های نامتوازن است. اصطلاح «مجموعه داده نامتوازن»، عموماً به مجموعه داده ای گفته می شود که تعداد نمونه ها در کلاس های گوناگون اختلاف بسیاری داشته باشند. روش های دسته بندی سنتی، به منظور به حداقل رساندن میزان خطا کلی، بر روی داده های نامتوازن به خوبی عمل نمی کنند، زیرا آنها به طور معمول فرض می کنند توزیع کلاس ها متوازن است. این موضوع اهمیت زیادی دارد و به عنوان یک مسئله چالش برانگیز شناخته می شود. در این مقاله داده ها بر اساس الگوریتم بگینک که از درخت تصادفی C4.5 حساس به هزینه به عنوان دسته بند کننده منفرد استفاده کرده استف دسته بندی شده اند. همچنین برای مشخص کردن هزینه دسته بندی نادرست کلاس ها به منظور ساخت درخت حساس به هزینه، از الگوریتم رقابت استعماری استفاده شده است.

کلیدواژه ها:

مجموعه داده های نامتوازن ، الگوریتم بگینگ ، درخت تصادفی C4.5 حساس به هزینه ، الگوریتم رقابت استعماری ، معیار G-Mean