Ulepszanie algorytmów uczenia maszynowego dla niezrównoważonych zestawów danych

Duża ilośc danych generowanych online umożliwila naukowcom zajmującym się danymi analizowanie tych informacji i wyciąganie wniosk w z r żnych dziedzin. Jednak dane w czasie rzeczywistym są często podatne na brak r wnowagi, co może obniżyc jakośc danych i stanowi poważne wyzwanie w dziedzinie uczenia maszynowego. Techniki oparte na pr bkowaniu i modele oparte na algorytmach to dwie podstawowe metody stosowane do rozwiązywania i r wnoważenia nier wnowagi danych. W niniejszej rozprawie przedstawiono trzy r żne techniki zarządzania r żnymi poziomami nier wnowagi w danych w czasie rzeczywistym.Początkowe podejście proponuje technikę opartą na pr bkowaniu zintegrowaną z mechanizmem bagging w celu radzenia sobie z nier wnowagą danych. Model identyfikuje nier wnowagę danych opartą na klasach i wykonuje nadpr bkowanie dla każdej dostępnej klasy. Mechanizm bagging polega na tworzeniu podzbior w danych szkoleniowych, mając na celu zr żnicowanie poziom w nier wnowagi w danych szkoleniowych, aby zapewnic skuteczne przewidywanie. Mimo to efekt braku r wnowagi utrzymuje się w mechanizmie predykcji, prowadząc do nieprawidlowej klasyfikacji kilku klas mniejszościowych.