Using sub-sampling and ensemble clustering techniques to improve performance of imbalanced classification

اطلاعات فراوان بیماران در سیستم مراقبت های بهداشتی ثبت می شود. در طول فرایند داده کاوی، ما می توانیم دانش مفیدی و الگوهای پنهان درون داده ها به دست آوریم و در نتیجه ما دانش معنی دار را کشف خواهیم کرد. دانش کشف شده می تواند توسط پزشکان و مدیران مراقبت های بهداشتی مورد استفاده قرار گیرد تا کیفیت خدمات آنها بهبود یابد و تعداد خطاهای پزشکی آنها کاهش یابد. از آنجا که با استفاده از یک الگوریتم داده کاوی تنها، تشخیص و یا پیش بینی بیماری دشوار است، بنابراین در این تحقیق، ترکیبی از مزایای برخی از الگوریتم ها برای دستیابی به نتایج بهتر از نظر بهره وری است. اکثر الگوریتم های یادگیری استاندارد برای داده های متعادل (اطلاعات با همان فرکانس نمونه در هر کلاس) طراحی شده اند، که در آن هزینه طبقه بندی اشتباه در تمام کلاس ها یکسان است. این الگوریتم ها نمی توانند به طور مناسب نمایانگر ویژگی های توزیع داده ای باشند هنگامی که مجموعه داده ها نامتعادل هستند. در برخی موارد، هزینه طبقه بندی اشتباه می تواند در یک نمونه از کلاس های خاص بسیار بالا باشد، مانند اشتباه طبقه بندی افراد سرطانی یا بیماران به عنوان افراد سالم. در این مقاله تلاش شده است تا یک روش سریع و کارآمد برای یادگیری از داده های نامتقارن ارائه شود. این روش برای یادگیری از داده های عدم تعادل که داده های بسیار کمی در کلاس اقلیت دارند، مناسب تر است. آزمایشات نشان می دهد که روش پیشنهادی دارای کارایی بالاتری نسبت به الگوریتم های سنتی ساده یادگیری ماشین و چندین الگوریتم یادگیری ویژه به عدم تعادل است. علاوه بر این، این روش پیچیدگی محاسباتی کمتری دارد و زمان اجرا سریعتر است.