Análise Abrangente das Técnicas de Sobreamostragem para Abordar o Desequilíbrio de Classes com Modelos de Aprendizado de Máquina
Imagem gerada por Gemini AI
Um estudo avalia técnicas de sobremostragem (SMOTE, Borderline SMOTE, ADASYN) para lidar com o desbalanceamento de classes em aprendizado de máquina. Utilizando o BERT para pré-processamento, a pesquisa analisa modelos como SVM, Árvore de Decisão e Regressão Logística. Destaca-se que o SVM com Borderline SMOTE alcançou uma precisão de 71,9% e um MCC de 0,53, evidenciando uma melhoria no desempenho do modelo.
Análise das Técnicas de Oversampling Revela Insights para o Desequilíbrio de Classe em Aprendizado de Máquina
Pesquisas recentes investigaram a eficácia das técnicas de oversampling para abordar o desequilíbrio de classe em conjuntos de dados de aprendizado de máquina, revelando ganhos significativos no desempenho do modelo. O estudo focou em métodos como SMOTE (Técnica de Oversampling Sintético de Minoria), Borderline SMOTE e ADASYN (Amostragem Sintética Adaptativa), testados em conjunto com vários algoritmos de aprendizado de máquina, incluindo Máquina de Vetores de Suporte (SVM) e Árvore de Decisão.
Principais Conclusões
O experimento gerou resultados notáveis, especialmente com o modelo SVM utilizando Borderline SMOTE, que alcançou uma taxa de precisão de 71,9% e um Coeficiente de Correlação de Matthews (MCC) de 0,53. Essas métricas indicam uma melhoria significativa na capacidade do modelo de classificar com precisão instâncias nas classes majoritária e minoritária.
Tópicos relacionados:
📰 Fonte original: https://doi.org/10.2174/0126662558347788241127051934
Todos os direitos e créditos pertencem ao editor original.