| DC Field | Value | Language |
|---|
| dc.contributor.author | Потёмин, И. В. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-06-02T05:58:55Z | - |
| dc.date.available | 2026-06-02T05:58:55Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Потёмин, И. В. Исследование балансировки на реальных данных = Research of balancing on real data / И. В. Потёмин // Компьютерные системы и сети : сборник материалов 62-й научной конференции аспирантов, магистрантов и студентов БГУИР, Минск, 13–17 апреля 2026 г. / Белорусский государственный университет информатики и радиоэлектроники. – Минск, 2026. – С. 73–79. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/63916 | - |
| dc.description.abstract | В работе исследуется влияние дисбаланса классов на эффективность алгоритмов машинного обучения. На примере датасета прогнозирования профессионального выгорания проведено сравнение трёх методов балансировки: передискретизации, недодискретизации и взвешивания классов. Экспериментально оценены логистическая регрессия, дерево решений и метод опорных векторов. Установлено, что игнорирование дисбаланса приводит к неспособности моделей выявлять минорный класс при высокой общей точности. Наиболее универсальным решением признано взвешивание классов, обеспечивающее высокую сбалансированную точность и PR-AUC без изменения объёма данных. Результаты формируют рекомендации по выбору стратегии балансировки для задач с неравномерным распределением классов. | 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 | дисбаланс классов | en_US |
| dc.subject | балансировка данных | en_US |
| dc.subject | передискретизация | en_US |
| dc.subject | недодискретизация | en_US |
| dc.subject | взвешивание классов | en_US |
| dc.subject | бинарная классификация | en_US |
| dc.subject | логистическая регрессия | en_US |
| dc.title | Исследование балансировки на реальных данных | en_US |
| dc.title.alternative | Research of balancing on real data | en_US |
| dc.type | Article | en_US |
| local.description.annotation | The paper examines the influence of class imbalance on the efficiency of machine learning algorithms. Using the example of a dataset of professional burnout forecasting, three balancing methods are compared: oversampling, undersampling and weighing classes. Logistic regression, decision tree and reference vector method were experimentally evaluated. It has been established that ignoring the imbalance leads to the inability of models to identify a minor class with high overall accuracy. Class weighing is recognized as the most versatile solution, providing high balanced accuracy and PR-AUC without changing the amount of data. The results form recommendations for choosing a balancing strategy for tasks with an uneven distribution of classes. | en_US |
| Appears in Collections: | Компьютерные системы и сети : материалы 62-й научной конференции аспирантов, магистрантов и студентов : сборник статей (2026)
|
