unbalancierte Klassifikation

Im den Bereich des maschinellen Lernens fällt die Klassifizierungsaufgabe bei unbalancierten Datensätzen unter die unbalancierte Klassifizierung. Diese Aufgabe befasst sich mit dem Problem, dass die Anzahl der positiven und negativen Stichproben erheblich voneinander abweicht, indem Algorithmen und Evaluationsmetriken optimiert werden, um die Erkennungsrate der Minderheitsklasse und die gesamte Klassifikationsleistung zu verbessern. Unbalancierte Klassifizierung hat erheblichen Anwendungswert in kritischen Bereichen wie der Erkennung von Finanzbetrug, medizinischer Diagnose und Netzwerk-Eintrittserkennung.