طبقه‌بندي داده‌هاي نامتعادل با تركيب دو تكنيك نمونه زدايي و نمونه افزايي

طبقه‌بندي داده‌هاي نامتعادل يكي از مسائل مورد توجه در جامعه تحقيقاتي يادگيري ماشين و تشخيص الگو است. داده نامتعادل داده‌اي است كه در آن در يك كلاس كه معمولا اهميت بيشتري دارد داده بسيار اندك است. يكي از روش‌هاي برخورد با عدم تعادل پيش¬پردازش داده‌ها به دو شكل نمونه‌زدايي و نمونه‌افزايي است. نمونه‌افزايي مشكل يادگيري افزونه و نمونه‌زدايي مشكل حذف داده¬هاي با اهميت را دارد. در اين تحقيق روشي تركيبي مبتني بر نمونه زدايي و نمونه افزايي ارائه‌ مي شود.نتايج بر روي داده‌هاي استاندارد نشان مي دهد كه اين روش در مقايسه با چند روش مشابه با معيار AUC نتايج را بهبود داده است.