Smote vs. Smoteenn: un estudio sobre el rendimiento de los algoritmos de remuestreo para abordar el desequilibrio de clases en modelos de regresión
Autores: Husain, Gazi; Nasef, Daniel; Jose, Rejath; Mayer, Jonathan; Bekbolatova, Molly; Devine, Timothy; Toma, Milan
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Smote vs. Smoteenn: un estudio sobre el rendimiento de los algoritmos de remuestreo para abordar el desequilibrio de clases en modelos de regresión
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Reto
Aprendizaje automático
Desequilibrio de clases
SMOTE
SMOTEENN
Rendimiento predictivo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 72
Citaciones: Sin citaciones
El desequilibrio de clases es un desafío prevalente en el aprendizaje automático que surge de distribuciones de datos sesgadas en una clase sobre otra, lo que provoca que los modelos prioricen la clase mayoritaria y tengan un rendimiento deficiente en las clases minoritarias. Este sesgo puede socavar significativamente las predicciones precisas en escenarios del mundo real, resaltando la importancia del manejo robusto de datos desequilibrados para obtener resultados confiables.
Descripción
El desequilibrio de clases es un desafío prevalente en el aprendizaje automático que surge de distribuciones de datos sesgadas en una clase sobre otra, lo que provoca que los modelos prioricen la clase mayoritaria y tengan un rendimiento deficiente en las clases minoritarias. Este sesgo puede socavar significativamente las predicciones precisas en escenarios del mundo real, resaltando la importancia del manejo robusto de datos desequilibrados para obtener resultados confiables.