Lealtad-SMOTE: Algoritmo de síntesis de datos para una efectiva clasificación de datos desequilibrados.

Área de la Ciencia:

• Aprendizaje automático Aprendizaje automático.
• Ciencia de datos Ciencia de datos.
• La inteligencia artificial es inteligencia artificial.

Sus antecedentes:

• Los conjuntos de datos desequilibrados plantean desafíos significativos para el entrenamiento del modelo de aprendizaje automático, lo que lleva a un rendimiento subóptimo del clasificador.
• Los métodos existentes a nivel de datos para datos desequilibrados, como la interpolación y el muestreo excesivo de límites, a menudo pasan por alto la susceptibilidad al ruido.
• Se necesitan métodos robustos que puedan manejar el ruido y mejorar la generalización en escenarios de aprendizaje desequilibrado.

Objetivo del estudio:

• Proponer un nuevo algoritmo a nivel de datos, Loyalty-SMOTE, diseñado para manejar efectivamente conjuntos de datos desequilibrados con ruido.
• Introducir los conceptos de Lealtad y Atracción para identificar datos ruidosos y generalizar a problemas de varias clases.
• Para evaluar el rendimiento de Loyalty-SMOTE en comparación con los métodos existentes utilizando diversas métricas.

Principales métodos:

• Desarrolló el algoritmo Loyalty-SMOTE, incorporando un concepto de "lealtad" para identificar y mitigar los puntos de datos ruidosos.
• Aplicó la técnica de sobremonstrado de minorías sintéticas (SMOTE) para sobremonstrar los datos del límite de la clase de minorías después de la identificación del ruido.
• Se introdujo un concepto de "atracción" para extender la técnica de desnudez para los desafíos de conjuntos de datos multiclase.
• Utilizado Support Vector Machine (SVM) como el clasificador de base para la evaluación experimental extensa.

Principales resultados:

• Loyalty-SMOTE demostró un rendimiento superior en múltiples métricas tanto en conjuntos de datos UCI binarios como multiclase.
• En 30 conjuntos de datos binarios, Loyalty-SMOTE logró la puntuación F1 más alta en el 87% de los casos, AUROC en el 97%, recuerdo en el 87% y G-media en el 90%.
• Para 5 conjuntos de datos multiclase, el algoritmo arrojó puntuaciones de rendimiento significativas, lo que indica su efectividad en escenarios complejos.

Conclusiones:

• Loyalty-SMOTE ofrece una solución robusta y efectiva para problemas de aprendizaje desequilibrados, particularmente aquellos afectados por datos ruidosos.
• Los conceptos propuestos de "Lealtad" y "Atracción" proporcionan un nuevo marco para la identificación y el manejo del ruido en conjuntos de datos desequilibrados.
• El fuerte rendimiento del algoritmo en diversos conjuntos de datos valida su potencial para mejorar la confiabilidad y precisión del modelo de aprendizaje automático.