Ulepszanie algorytmów uczenia maszynowego dla niezrównowa¿onych zestawów danych

Du-a ilo-- danych generowanych online umo-liwi-a naukowcom zajmuj-cym si- danymi analizowanie tych informacji i wyci-ganie wniosków z ró-nych dziedzin. Jednak dane w czasie rzeczywistym s- cz-sto podatne na brak równowagi, co mo-e obni-y- jako-- danych i stanowi powäne wyzwanie w dziedzinie uczenia maszynowego. Techniki oparte na próbkowaniu i modele oparte na algorytmach to dwie podstawowe metody stosowane do rozwi-zywania i równowäenia nierównowagi danych. W niniejszej rozprawie przedstawiono trzy ró-ne techniki zarz-dzania ró-nymi poziomami nierównowagi w danych w czasie rzeczywistym.Pocz-tkowe podej-cie proponuje technik- opart- na próbkowaniu zintegrowan- z mechanizmem bagging w celu radzenia sobie z nierównowag- danych. Model identyfikuje nierównowag- danych opart- na klasach i wykonuje nadpróbkowanie dla kädej dost-pnej klasy. Mechanizm bagging polega na tworzeniu podzbiorów danych szkoleniowych, maj-c na celu zró-nicowanie poziomów nierównowagi w danych szkoleniowych, aby zapewni- skuteczne przewidywanie. Mimo to efekt braku równowagi utrzymuje si- w mechanizmie predykcji, prowadz-c do nieprawid-owej klasyfikacji kilku klas mniejszo-ciowych.

Dr S. Josephine Theresa jest adiunktem w St. Joseph's College (Autonomous), Tiruchirappalli. Ma 12-letnie do-wiadczenie w nauczaniu. Jej zainteresowania badawcze obejmuj- analityk- danych, uczenie maszynowe i analityk- predykcyjn-. Opublikowäa prawie siedem artyku-ów w czasopismach krajowych i mi-dzynarodowych.