| DC Field | Value | Language |
|---|
| dc.contributor.author | Lukashevich, M. M. | - |
| dc.contributor.author | Bairak, S. A. | - |
| dc.contributor.author | Malochka, I. P. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2025-05-07T09:11:13Z | - |
| dc.date.available | 2025-05-07T09:11:13Z | - |
| dc.date.issued | 2025 | - |
| dc.identifier.citation | Lukashevich, M. M. Imbalanced data problem in machine learning = Проблема несбалансированных данных в машинном обучении / M. M. Lukashevich, S. A. Bairak, I. P. Malochka // Открытые семантические технологии проектирования интеллектуальных систем = Open Semantic Technologies for Intelligent Systems (OSTIS) : сборник научных трудов / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. В. Голенков [и др.]. – Минск, 2025. – Вып. 9. – С. 217–222. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/59781 | - |
| dc.description.abstract | Imbalanced data is a common challenge in real-world classification tasks. This study analyzes methods
and algorithms for addressing class imbalance in binary classification models. Experimental evaluations are conducted on data balancing techniques, including oversampling the minority class and undersampling the majority class. The experiments cover both tabular data and image datasets. Based on the results, the impact of these methods on model performance is assessed, and practical recommendations for effective data balancing are provided | en_US |
| dc.language.iso | en | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | imbalanced data | en_US |
| dc.subject | binary classification | en_US |
| dc.title | Imbalanced data problem in machine learning | en_US |
| dc.title.alternative | Проблема несбалансированных данных в машинном обучении | en_US |
| dc.type | Article | en_US |
| local.description.annotation | Несбалансированные данные являются проблемой для реальных задач классификации. В работе анализируются методы и алгоритмы работы с несбалансированными данными при построении моделей машинного обучения для задач бинарной классификации. Проведены экспериментальные исследования алгоритмов балансировки данных, основанных на увеличении меньшего класса и уменьшении большего класса. Представлены эксперименты для табличных данных и изображений. По результатам экспериментов оценено влияние исследуемых методов и алгоритмов на качество моделей, получаемых в результате обучения. Даны рекомендации по применению методов
балансировки данных. | en_US |
| Appears in Collections: | OSTIS-2025
|
