Дослідження та оптимізація управління дисбалансом класів у задачах машинного навчання

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-12 Власюком Олександром Олексійовичем. Тема “Дослідження та оптимізація управління дисбалансом класів у задачах машинного навчання”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою дипломної роботи є розробка та апробація гібридних методів для подолання дисбалансу класів у машинному навчанні, що забезпечують підвищення точності, повноти та збалансованості моделей класифікації, зокрема у сфері кредитного скорингу. Об’єктом досліджння є оптимізація використання зазначених методів управління дисбалансом класів для покращення якості моделей машинного навчання та зниження впливу дисбалансу класів на результати класифікації. Предметом досліджень є методи управління дисбалансом класів у задачах машинного навчання, такі як методи збалансованого семплінгу, ваги класів, зміна метрик оцінки та інші підходи. Досягнення мети відбувається за рахунок ретельного аналізу та порівняння різних методів управління дисбалансом класів. Перш за все, необхідно визначити оптимальні параметри для кожного методу, такі як ваги класів, розмір збалансованого семплу або підходи до оцінки моделі. Подальшим кроком буде впровадження обраного методу у практиці та оцінка його ефективності на реальних даних. Для досягнення кращих результатів необхідно також враховувати специфічні особливості конкретного датасету та використовуваної моделі машинного навчання. Загальний обсяг роботи: сторінок, рисунки, посилання. The master's qualification work is performed by the student of group CSAI-12, Oleksandr Oleksiyovych Vlasyuk. The topic is "Research and optimization of class imbalance management in machine learning tasks." The work is aimed at obtaining a master's degree in the specialty 122 "Computer Science." The purpose of the thesis is to improve the accuracy and efficiency of models by researching and optimizing methods for managing class imbalances in machine learning tasks. The object of the study is the optimization of the use of these methods for managing class imbalances to improve the quality of machine learning models and reduce the impact of class imbalance on classification results. The subject of the research is methods for managing class imbalances in machine learning tasks, such as balanced sampling methods, class weights, metric changes, and other approaches. Achieving the goal involves a thorough analysis and comparison of different methods for managing class imbalances. First of all, it is necessary to determine the optimal parameters for each method, such as class weights, the size of the balanced sample, or model evaluation approaches. The next step will be to implement the chosen method in practice and evaluate its effectiveness on real data. To achieve better results, it is also necessary to consider the specific characteristics of the dataset and the machine learning model being used. Additionally, a detailed analysis of the obtained results is important to make necessary adjustments for achieving optimal model accuracy and efficiency. Total work volume: pages, figures, references.