Análise e Comparação de Algoritmos para Classificação de Dados Desbalanceados
Aprendizado de dados; Classificação; dados desbalanceados
O presente trabalho tem como objetivo principal investigar e comparar diferentes técnicas de aprendizado de máquina para a classificação de dados desbalanceados. O desbalanceamento de classes, caracterizado pela disparidade na distribuição de exemplos entre as classes de um conjunto de dados, representa um desafio significativo para a construção de modelos de classificação precisos e confiáveis. Através de experimentos empíricos, o trabalho busca identificar os algoritmos mais adequados para cada tipo de problema, analisar a influência de diferentes parâmetros e configurações dos algoritmos no desempenho, e avaliar a generalização dos modelos em diferentes conjuntos de dados. Além disso, são propostas novas abordagens ou melhorias para as técnicas existentes, visando otimizar a performance na classificação de dados desbalanceados. Os resultados obtidos neste estudo contribuem para o avanço da área de AM, fornecendo \textit{insights} valiosos para a comunidade científica e para profissionais que trabalham com dados desbalanceados. Ao comparar diferentes técnicas e analisar os fatores que influenciam a performance dos modelos, este trabalho auxilia na escolha das melhores estratégias para lidar com o desbalanceamento de classes em diversas aplicações.