Estudio de conjuntos de datos desbalanceados usando un modelo asociativo con traslación de ejes

Ingeniería e Investigación

Laura Cleofas Sánchez¹  Oscar Camacho Nieto¹  Cornelio Yáñez Márquez¹  Magali Guzmán Escobedo²  Rosa María Valdovinos Rosas³ 

[1] Instituto Politécnico Nacional;Instituto Tecnológico Superior de Ciudad Hidalgo;Universidad Autónoma del Estado de México;

关键词: data set;    associative model;    under sampling;    class imbalance;    pre-processing;   

DOI  :  

来源: DOAJ

【 摘 要 】

En diversos problemas de reconocimiento de patrones, se ha observado que el desequilibrio de clases puede disminuir el desempeño del clasificador, principalmente en los patrones de las clases minoritarias. Una estrategia para resolver el problema del desbalance, consiste en tratar por separado las clases incluidas en el problema (clase minoritaria o mayoritaria), a fin de equilibrar los conjuntos de datos. En este sentido, la motivación del presente artículo estriba en el hecho de que el modelo asociativo visto como Clasificador Híbrido Asociativo con Traslación (CHAT), es muy sensible al des-balance de las clases. Por ello, se analiza el impacto que los conjuntos de datos des-balanceados pueden tener sobre el rendimiento del CHAT. Adicionalmente, se analiza la conveniencia de utilizar métodos de bajo-muestreo para disminuir los efectos negativos que el modelo asociativo pueda sufrir. La viabilidad de este estudio se sustenta con los resultados experimentales obtenidos de once conjuntos de datos reales. Finalmente, el presente trabajo se considera como una investigación analítica-sintética.

【 授权许可】

Unknown