Die Behandlung von unausgewogenen Klassen mit ensemblistischen Methoden

Die vorliegende Arbeit befasst sich mit der Entscheidungsoptimierung durch ensemblistische Methoden f r die Verarbeitung unausgewogener Datenbanken. Um dies zu erreichen, haben wir ensemblistische Methoden verwendet, die auf der homogenen Kombination von Vorhersagen oder Klassifikatoren f r eine bessere Verallgemeinerung basieren.In unserem Projekt haben wir uns auf die Credit Card Fraud Detection-Datenbank gest tzt, um das vorgeschlagene Modell zu generieren und zu bewerten. Wir haben uns auch f r die Methode der Zufallswaldkombination (random forest) entschieden, die mehrere Entscheidungsb ume kombiniert und die Strategie der Mehrheitswahl anwendet, um eine optimale Vorhersage zu erhalten.Unsere Studie zielt darauf ab, ein Vorhersagemodell mit ensemblistischen Methoden zu erstellen, um die Leistung eines individuellen Klassifikators bei der Verarbeitung von unausgewogenen Datens tzen zu verbessern.Um unser Ziel zu erreichen, haben wir neben der Random-Forest-Kombinationsmethode auch Unter- und berstichproben verwendet, um die gleichen Ergebnisse zu erzielen und schlie lich eine Schlussfolgerung ber die drei verwendeten Methoden zu ziehen.