ارائه ي الگوريتم ممتيك براي انتخاب مجموعه داده آموزش در داده هاي نامتوازن

طبقه بندي داده هاي نامتوازن، يكي از مشكلات اخير در حوزه يادگيري ماشين است. اين مشكل زماني به وجود مي آيد كه در يك مجموعه داده، يك كلاس تعداد بيشتري داده نسبت به ديگري داشته باشد در حالي كه پيش فرض طبقه بندهاي كلاسيك متعادل بودن داده است. تاكنون روش هاي زيادي براي حل اين مشكل پيشنهاد شده است. در سطح داده، روش هاي نمونه زايي با اضافه كردن داده به كلاس كوچك تر و نمونه زدايي با حذف داده از كلاس بزرگ تر، سعي بر متعادل كردن داده دارند. در اين مقاله، يك الگوريتم ممتيك، با تركيب الگوريتم جستجوي گرانشي باينري كوانتمي (BQIGSA) و جستجوگر محلي ،پيشنهاد شده است كه با استفاده از آن بهترين مجموعه داده از بين داده هاي آموزش انتخاب مي شود. روش پيشنهادي بر روي 10 مجموعه داده استاندارد اعمال و با معيار G-mean، كه از معيارهاي ارزيابي داده هاي نامتوازن محسوب مي شود، ارزيابي شده است. نتايج به دست آمده برتري روش پيشنهادي را نشان مي دهد.