| DC Field | Value | Language |
|---|
| dc.contributor.author | Клицунова, Е. | - |
| dc.contributor.author | Лукашевич, М. М. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2025-05-02T06:09:27Z | - |
| dc.date.available | 2025-05-02T06:09:27Z | - |
| dc.date.issued | 2025 | - |
| dc.identifier.citation | Клицунова Е. Сравнительный анализ методов балансировки данных для задач машинного обучения = Comparative analysis of data balancing methods / Е. Клицунова, М. М. Лукашевич // Big Data и анализ высокого уровня = Big Data and Advanced Analytics : сборник научных статей XI Международной научно-практической конференции, Республика Беларусь, Минск, 23–24 апреля 2025 года / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: В. А. Богуш [и др.]. – Минск, 2025. – С. 74–84. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/59648 | - |
| dc.description.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. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | машинное обучение | en_US |
| dc.subject | несбалансированные данные | en_US |
| dc.subject | балансировка данных | en_US |
| dc.title | Сравнительный анализ методов балансировки данных для задач машинного обучения | en_US |
| dc.title.alternative | Comparative analysis of data balancing methods | en_US |
| dc.type | Article | en_US |
| local.description.annotation | The paper presents the results of a comparative analysis of methods and algorithms for working with
imbalanced data in machine learning models. Experimental results of data balancing algorithms based on increasing
a smaller class and decreasing a larger class using the imbalanced-learn library are presented. Based on the results
of the experiments, the influence of the studied methods and algorithms on the quality of models obtained as a result
of training with classical classifiers and ensemble algorithms was assessed. | en_US |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей (2025)
|
