불균형 데이터 분류를 위한 ISMOTE 오버샘플링 알고리즘

최근 몇 년 동안 불균형 분류 문제에 대한 관심이 높아졌습니다. SMOTE 알고리즘은 소수 클래스 샘플을 확장하고 불균형 데이터 세트에서 소수 클래스의 분류 능력을 향상시킬 수 있지만, 소수 클래스 샘플 포인트 선택 및 난수 선택에 일정한 맹점이 있습니다. 본 논문에서는 I-SMOTE 알고리즘(개선된 합성 소수 오버샘플링 기법)을 제안합니다. 이 알고리즘은 노이즈의 정의를 제공하고 노이즈를 처리합니다. 소수 샘플의 분포 법칙에 따라 소수 샘플을 보다 합리적으로 합성할 수 있습니다. 샘플을 합성할 때 보간 상관 계수를 신중하게 나눕니다. 네 개의 UCI 비균형 데이터 세트를 선택하고 세 가지 고전적인 단일 분류기 알고리즘을 사용하여 실험을 수행했습니다. SMOTE 알고리즘과 ISMOTE 알고리즘을 비교하였습니다. 결과는 ISMOTE 알고리즘의 분류 결과가 F 값, G-mean 값 및 AUC 값에서 다양한 정도로 향상되었음을 보여주었으며, 이로써 알고리즘의 효과를 입증하였습니다.