Neue Methode zur Verbesserung des Mining von unausgewogenen Mehrklassendaten

Das Ungleichgewicht zwischen den Klassen ist eines der schwierigsten Probleme f r Data-Mining- und maschinelle Lernverfahren. Die Daten in realen Anwendungen weisen oft eine unausgewogene Klassenverteilung auf. Dies ist der Fall, wenn die meisten Beispiele zu einer Mehrheitsklasse und nur wenige Beispiele zu einer Minderheitsklasse geh ren. In diesem Fall neigen Standardklassifizierer dazu, alle Beispiele als Mehrheitsklasse zu klassifizieren und die Minderheitsklasse vollst ndig zu ignorieren. F r dieses Problem haben Forscher eine Vielzahl von L sungen sowohl auf Daten- als auch auf algorithmischer Ebene vorgeschlagen. Die meisten Bem hungen konzentrieren sich auf Probleme mit bin ren Klassen. Bin re Klassen sind jedoch nicht das einzige Szenario, in dem das Problem des Klassenungleichgewichts vorherrscht. Bei Mehrklassendatens tzen ist es viel schwieriger, die Mehrheits- und Minderheitsklassen zu definieren. Daher bleibt die Mehrklassenklassifizierung in unausgewogenen Datens tzen ein wichtiges Forschungsthema. In unserem Buch schlagen wir einen neuen Ansatz vor, der auf SOMTE (Synthetic Minority Over-sampling TEchnique) und Clustering basiert und in der Lage ist, das Problem unausgewogener Daten mit mehreren Klassen zu l sen. Wir haben unseren Ansatz mit Hilfe von Open-Source-Tools f r maschinelles Lernen umgesetzt: Weka und RapidMiner.