بررسی اثر توازن مجموعه داده بر عملکرد الگوریتم های طبقه بندی دودویی

امروزه بسیاری از مجموعه داده های مورد استفاده در حل مسائل طبقه بندی با روش های یادگیری ماشین از توزیع یکسانی میان کلاس ها برخوردار نیستند . این موضوع ممکن است موجب کاهش دقت عملکرد مدل های یادگیری ماشین شود. این مطالعه به بررسی اثر مجموعه داده نامتوازن بر عملکرد این روش ها می پردازد. مسئله مورد مطالعه در این پژوهش تشخیص تقلب در تراکنش های بانکی و الگوریتم مورد استفاده رگرسیون لجستیک است. نتایج این پژوهش نشان از تاثیر بسزای توازن داده بر عملکرد مدل است به گونه ای که عملکرد مدل مطابق معیار ارزیابی پوشش در هنگام استفاده از مجموعه داده نامتوازن از ۹۸ به ۵۸ درصد کاهش یافته است.