Сравнительный анализ методов балансировки данных для задач машинного обучения

Abstract

В работе представлены результаты сравнительного анализа методов и алгоритмов работы с несбалансированными данными при построении моделей машинного обучения. Представлены результаты экспериментальных исследований алгоритмов балансировки данных, основанных на увеличении меньшего класса и на уменьшении большего класса с использованием библиотеки imbalanced-learn. По результатам экспериментов оценено влияние изученных методов и алгоритмов на качество моделей, полученных в результате обучения с классическими классификаторами и ансамблевыми алгоритмами.