Análisis exhaustivo de técnicas de sobremuestreo para abordar el desequilibrio de clases utilizando modelos de aprendizaje automático
Imagen generada por Gemini AI
Un estudio evalúa técnicas de sobremuestreo (SMOTE, Borderline SMOTE, ADASYN) para abordar el desbalance de clases en el aprendizaje automático. Utilizando BERT para el preprocesamiento, se analizan modelos como SVM, Árbol de Decisión y Regresión Logística. Destaca que SVM con Borderline SMOTE alcanzó una precisión del 71.9% y un MCC de 0.53, lo que resalta la mejora en el rendimiento del modelo.
Análisis de Técnicas de Sobremuestreo Revela Perspectivas para el Desbalance de Clases en Aprendizaje Automático
Investigaciones recientes han profundizado en la efectividad de las técnicas de sobremuestreo para abordar el desbalance de clases en conjuntos de datos de aprendizaje automático, revelando ganancias significativas en el rendimiento del modelo. El estudio se centró en métodos como SMOTE (Técnica de Sobremuestreo para Minorías Sintéticas), Borderline SMOTE y ADASYN (Muestreo Sintético Adaptativo), probados en conjunto con varios algoritmos de aprendizaje automático, incluyendo Máquina de Soporte Vectorial (SVM) y Árbol de Decisión.
Hallazgos Clave
El experimento arrojó resultados notables, particularmente con el modelo SVM utilizando Borderline SMOTE, que logró una tasa de precisión del 71.9% y un Coeficiente de Correlación de Matthews (MCC) de 0.53. Estas métricas indican una mejora significativa en la capacidad del modelo para clasificar con precisión instancias en ambas clases, mayoritaria y minoritaria.
Temas relacionados:
📰 Fuente original: https://doi.org/10.2174/0126662558347788241127051934
Todos los derechos y créditos pertenecen al editor original.