تركيب تكنيك ‌هاي انتخاب نمونه و داده ‌افزايي براي حل مسئله طبقه‌بندي مجموعه داده‌هاي نامتوازن

در عصر كلان‌ داده‌ها، تكنيك‌هاي تجزيه و تحليل خودكار مانند داده‌كاوي به‌طور گسترده‌اي براي تصميم‌گيري به‌كار گرفته شده و بسيار مؤثر واقع شده‌اند. از جمله تكنيك‌هاي داده‌كاوي مي‌توان به طبقه‌بندي اشاره كرد كه يك روش رايج براي تصميم‌گيري و پيش‌بيني است. الگوريتم‌هاي طبقه‌بندي به‌طور معمول بر روي مجموعه داده‌هاي متوازن به‌خوبي عمل مي‌كنند. با وجود اين، يكي از مشكلاتي كه الگوريتم‌هاي طبقه‌بندي با آن مواجه هستند، پيش‌بيني صحيح برچسب نمونه‌هاي جديد بر اساس يادگيري بر روي مجموعه داده‌هاي نامتوازن است. در اين نوع از مجموعه داده‌ها، توزيع ناهمگوني كه داده‌ها در كلاس‌هاي مختلف دارند باعث ناديده گرفته‌شدن نمونه‌هاي كلاس با تعداد نمونه كمتر در يادگيري طبقه‌بند مي‌شوند؛ در حالي كه اين كلاس در برخي مسائل پيش‌بيني داراي اهميت بيشتري است. به‌منظور مقابله با مشكل مذكور در اين مقاله، روشي كارا براي متعادل‌سازي مجموعه داده‌هاي نامتوازن ارائه مي‌شود كه با متعادل‌نمودن تعداد نمونه‌هاي كلاس‌هاي مختلف در مجموعه داده‌اي نامتوازن، پيش‌بيني صحيح برچسب كلاس نمونه‌هاي جديد توسط الگوريتم يادگيري ماشين را بهبود مي‌بخشد. بر اساس ارزيابي‌هاي صورت‌گرفته، روش پيشنهادي بر اساس دو معيار رايج در ارزيابي طبقه‌بندي مجموعه داده‌هاي نامتوازن به نام‌هاي «صحت متعادل» و «ويژگي»، عملكرد بهتري در مقايسه با روش‌هاي ديگر دارد.