بهبود رده‌بندی داده‌های نامتوازن با استفاده از معیارهای شباهت فازی و خوشه‌بندی کاهشی

یکی از قسمت های مهم در داده کاوی و کشف دانش از پایگاه داده، رده بندی است. در اغلب موارد داده هایی که برای آموزش رده‌بندها به کار می روند از توزیع مناسبی برخوردار نیستند. این توزیع نامناسب هنگامی رخ می دهد که یک رده تعداد نمونه های زیادی دارد؛ درحالی‌که به‌طور ذاتی نمونه‌های رده دیگر کم است. به‌طورکلی روش‌های حل این نوع مسائل به دو دسته نمونه‌گیری کاهشی و نمونه‌گیری افزایشی تقسیم می‌شود. در این مقاله یک روش نمونه‌گیری کاهشی با استفاده از ترکیب خوشه‌بندی و معیارهای شباهت فازی ارائه ‌شده است و عملکرد آن‌ها ازنظر کارآمدی در رده‌بندی داده‌های نامتوازن مورد تحلیل و بررسی قرارگرفته‌اند. بدین منظور در ابتدا خوشه‌بندی کاهشی انجام‌ شده و داده‌های رده اکثریت خوشه‌بندی، سپس با استفاده از معیارهای شباهت فازی نمونه‌های هر خوشه رتبه‌بندی و بر اساس این رتبه‌ها نمونه‌های مناسب انتخاب می‌شود؛ نمونه‌های انتخاب‌شده به همراه رده اقلیت مجموعه داده نهایی را تشکیل می‌دهند. در این پژوهش پیاده‌سازی در نرم‌افزار matlab، ارزیابی نتایج از طریق محاسبه معیار auc و تحلیل نتایج با استفاده از آزمون‌های آماری استاندارد انجام‌ شده است. نتایج مطالعه نشان‌دهنده عملکرد بهتر روش پیشنهادی، نسبت به سایر روش‌های شناخته ‌شده است.

improving imbalanced data classification accuracy byusing fuzzy similarity measure and subtractive clustering

one of the biggest challenges in this field is classification problems which refers to the number of different samples in each class. if a data set includes two classes, imbalance distribution occurs when one class has a large number of samples while the other is represented by a small number of samples. in general, the methods of solving these problems are divided into two categories: undersampling and oversampling. in this research, it is focused on undersampling and the advantages of this method will be analyzed by considering the efficiency of classifying imbalanced data and it rsquo;s supposed to provide a method for sampling a majority data class by using subtractive clustering and fuzzy similarity measure. for this purpose, at first the subtractive clustering is conducted and the majority data class is clustered. then, using fuzzy similarity measure, samples of each cluster will be ranked and appropriate samples are selected based on these rankings. the selected samples with the minority class create the final dataset. in this research, matlab software is used for implementation, the results are evaluated by using auc criterion and analyzing the results has been performed by standard statistical tools. the experimental results show that the proposed method is superior to other methods of undersampling.