فرزانه ایوبی مهریزی - دانشجوی کارشناسی ارشد دانشگاه امام رضا
عادل قاضی خانی - استادیار گروه کامپیوتر دانشگاه امام رضا

طبقه بندی داده های نامتعادل یکی از مسائل مورد توجه در جامعه تحقیقاتی یادگیری ماشین و تشخیص الگو است. دادهنامتعادل دادهای است که در آن در یک کلاس که معمولا اهمیت بیشتری دارد داده بسیار اندک است. یکی از روشهایبرخورد با عدم تعادل پیش پردازش داده ها به دو شکل نمونه زدایی و نمونه افزایی است. نمونها فزایی مشکل یادگیریافزونه و نمونه زدایی مشکل حذف داده های با اهمیت را دارد. در این تحقیق روشی ترکیبی مبتنی بر نمونه زدایی و نمونهافزایی ارائه می شود.نتایج بر روی داده های استاندارد نشان می دهد که این روش در مقایسه با چند روش مشابه با معیار AUC نتایج را بهبود داده است.

طبقه بندی؛ داده های نامتعادل؛ نمونه زدایی؛ نمونه افزایی؛ الگوریتم های تکاملی