بهبود نرخ صحت در طبقه بندي داده هاي نامتوازن با استفاده از تابع باور

در حوزه طبقه بندي داده هاي نامتوازن روش هاي مختلفي ارائه شده، از جمله كارآمدترين و اساسي ترين اين روشها SMOTE است. گرچه اين روش بسيار مؤثر است، اما از كارايي كافي برخوردار نبود. به دنبال آن روشهاي جديدي از جمله SMOTE - DGC ارائه شد كه نتايج حاصل را بهبود دادند، اما همچنان يك نكته مهم وجود داشت و آن اين بود كه تمركز كليه روشهاي مبتني بر SMOTE بر روي نحوه نمونه افزايي قرار دارد؛ در حالي كه ممكن است نمونه افزايي بر روي داده هاي نامطمئن صورت گيرد. داده نامطمئن به داده اي گفته مي شود كه در محدوده مرز كلاس يا طبقه اكثريت باشد. در اين مقاله، الگوريتم جديدي به نام MINOS براي متوازن سازي ارائه شده كه در آن ابتدا با استفاده از تابع باور داده هاي مطمئن انتخاب مي شوند و سپس عمليات نمونه افزايي بر روي داده هاي تائيد شده به صورت دوبه دو و با روش همسايه متقابل صورت مي پذيرد سپس نمونه ها با تابع باور بررسي مي شود. نتايج به دست آمده نشان دهنده برتري الگوريتم پيشنهادي از لحاظ صحت در مقايسه با ساير روشها است.