Reconhecimento de dados desbalanceados utilizando SVM

O aprendizado de mquina em conjuntos de dados que possuam classes desbalanceadas tem recebido considervel ateno na comunidade cientfica, pois os algoritmos de classificao tradicionais no fornecem um desempenho satisfatrio. Vrias melhorias nos algoritmos tradicionais de classificao tm sido propostas na literatura, onde foram feitas consideraes a nvel de dados e a nvel de algoritmos. O primeiro utiliza diversas formas de reamostragem, tal como super-amostragem de exemplos da classe minoritria, sub-amostragem de exemplos da classe majoritria ou a combinao de ambos. Os ltimos tentam adaptar (inserindo custos diferenciados em exemplos da classe minoritria e majoritria ou alterando kernels) os algoritmos de classificao j existentes para melhorar o desempenho. Vrios algoritmos na forma de um comit de mquinas tambm so reportados como meta-tcnicas para trabalhar com classes desbalanceadas. Esta tese estudou estes principais algoritmos. Depois foi feito um estudo se poderia obter algo mais das caractersticas de cada um. Obteve-se um algoritmo composto que possui uma taxa de acerto na classificao de dados melhor que os algoritmos nos quais se baseou.