불균형 데이터 세트에서 앙상블 모델 평가: 다양한 소수 클래스 비율에 대한 비교 연구

이 연구에서는 의료 데이터 세트에서 클래스 불균형을 수정하기 위해 앙상블 모델을 사용하는 복잡성을 조사합니다. 랜덤 포레스트, 그래디언트 부스팅, 아다부스트, 캣부스트, 라이트GBM, XG부스트, BRF 및 EE와 같은 잘 알려진 방법을 사용하여 다양한 수준의 클래스 불균형을 보이는 데이터 세트에 대해 광범위한 분석을 수행합니다. 이 연구는 강력한 평가를 위해 계층화 k-겹 교차 검증을 사용하고, 데이터 증대를 위해 합성 소수 오버샘플링 기법(SMOTE)을 적용합니다. ROC 곡선이 표시되며, 정확도, 정밀도, 재현율, F1 점수 및 곡선 아래 면적(AUC)과 같은 성능 지표가 조사됩니다. 결과는 불균형 의료 데이터 세트에 대한 앙상블 모델의 복잡한 영향을 밝혀주고 추가 조사를 위한 방향을 제시합니다.