Umfassende Analyse von Oversampling-Techniken zur Bewältigung von Klassenungleichgewicht bei der Anwendung von Machine-Learning-Modellen
Von Gemini AI generiertes Bild
Eine Studie bewertet Oversampling-Techniken (SMOTE, Borderline SMOTE, ADASYN), um das Problem der Klassenungleichheit im maschinellen Lernen zu beheben. Mithilfe von BERT zur Vorverarbeitung werden Modelle wie SVM, Entscheidungsbaum und logistische Regression analysiert. Besonders hervorzuheben ist, dass die SVM mit Borderline SMOTE eine Genauigkeit von 71,9 % und einen Matthews-Korrelationskoeffizienten (MCC) von 0,53 erreichte, was auf eine verbesserte Modellleistung hinweist.
Analyse von Oversampling-Techniken Offenbart Erkenntnisse für Klassenungleichgewicht im maschinellen Lernen
Jüngste Forschungen haben die Effektivität von Oversampling-Techniken zur Bekämpfung von Klassenungleichgewicht in Datensätzen des maschinellen Lernens untersucht und signifikante Verbesserungen in der Modellleistung aufgezeigt. Die Studie konzentrierte sich auf Methoden wie SMOTE (Synthetic Minority Oversampling Technique), Borderline SMOTE und ADASYN (Adaptive Synthetic Sampling), die in Kombination mit verschiedenen Algorithmen des maschinellen Lernens, einschließlich Support Vector Machine (SVM) und Entscheidungsbaum, getestet wurden.
Wichtigste Ergebnisse
Das Experiment lieferte bemerkenswerte Ergebnisse, insbesondere mit dem SVM-Modell unter Verwendung von Borderline SMOTE, das eine Genauigkeitsrate von 71,9 % und einen Matthews-Korrelationskoeffizienten (MCC) von 0,53 erreichte. Diese Kennzahlen zeigen eine signifikante Verbesserung der Fähigkeit des Modells, Instanzen sowohl der Mehrheit als auch der Minderheit genau zu klassifizieren.
Verwandte Themen:
📰 Originalquelle: https://doi.org/10.2174/0126662558347788241127051934
Alle Rechte und Urheberrechte liegen beim ursprünglichen Herausgeber.