¿Supera el aprendizaje sensible al costo al muestreo para clasificar clases raras?

Una distribución de clases altamente sesgada suele hacer que el clasificador aprendido prediga la clase mayoritaria con mucha más frecuencia que la clase minoritaria. Esto es consecuencia de que la mayoría de los clasificadores están diseñados para maximizar la precisión. En muchos casos, como en el diagnóstico médico, la clase minoritaria es la clase de interés primario y, por lo tanto, este comportamiento de clasificación es inaceptable. En este artículo, comparamos dos estrategias básicas para tratar con datos que tienen una distribución de clases sesgada y costos de mala clasificación no uniformes. Una estrategia se basa en el aprendizaje sensible al costo, mientras que la otra estrategia emplea muestreo para crear una distribución de clases más equilibrada en el conjunto de entrenamiento. Comparamos dos técnicas de muestreo, muestreo ascendente y muestreo descendente, con el enfoque de aprendizaje sensible al costo. El propósito de este artículo es determinar qué técnica produce el mejor clasificador en general—y en qué circunstancias.