Clasificación de datos desbalanceados

Título:

Clasificación de datos desbalanceados: su aplicación en la predicción de bajas de beneficiarios de un servicio de salud privado

Autor:

Martinelli, Jonatan Emanuel

Otros autores / Colaboradores:

 Hasperué, Waldo; 

Temas:

APRENDIZAJE AUTOMÁTICO; 

URL:

http://sedici.unlp.edu.ar/handle/10915/147410,

Palabras clave:

datos desbalanceados, 

Nota de tesis:

Trabajo Final Integrador (Especialización en Inteligencia de Datos Orientada a Big Data) - Universidad Nacional de La Plata. Facultad de Informática, 2022.

Extensión:

1 archivo (1,9 MB) : il. col.

Resumen:

El problema de las distribuciones de datos no balanceados entre clases ha recibido una atención considerable en disciplinas como el Aprendizaje Automático y Minería de Datos. En el contexto de problemas de clasificación un conjunto de datos no está balanceado si una de las clases -mayoritaria- está sensiblemente más representada que el resto. Por tanto, se puede conducir a aprendizajes sesgados en perjuicio de la clase minoritaria, que usualmente, contiene los casos de mayor interés. Por ello, este trabajo pretende estudiar diversas estrategias de balanceo de clases las cuales se aplicarán a la baja de beneficiarios de un servicio de cobertura médica. Cada estrategia dará lugar a diferentes versiones del conjunto de datos original para la misma representación; luego, para cada variante del set de datos, se aplicarán las mismas técnicas predictivas. De esta forma se obtendrán diversos modelos y se analizarán sus rendimientos mediante las métricas precision, recall, accuracy y F-Measure.

Puede solicitar más fácilmente el ejemplar con: TES 22/34

Capítulo I Introducción
1.1 Objetivo
1.2 Definición del problema 
1.3 Antecedentes

Capítulo II Aprendizaje automático 
2.1 Conceptos preliminares 
2.1.1 Aprendizaje no supervisado 
2.1.2 Aprendizaje supervisado 
2.1.3 Clasificación 
2.1.4 Subajuste y Sobreajuste
2.1.5 Descubrimiento de conocimiento en bases de datos (KDD)
2.2 Árboles de decisión 
2.2.1 Estructura 
2.2.2 Partición
2.2.3 Bondad de la división 
2.2.4 Entropía 
2.2.5 Ganancia de información 
2.2.6 Índice de GINI 
2.2.7 Criterio de parada 
2.2.8 Poda y reestructuración
2.2.9 Ventajas y desventajas de Árboles de decisión 
2.2.10 Algoritmos de Árboles de decisión 
2.2.11 Bosques Aleatorios (Random Forest) 
2.3 Redes Neuronales Artificiales 
2.3.1 Funcionamiento 
2.3.2 Arquitectura 
2.3.3 Aprendizaje 
2.3.4 Redes de propagación hacia atrás (Backpropagation) 
2.3.5 Redes convolucionales 
2.3.6 Autocodificadores (Autoencoders) 
2.3.7 Ventajas y desventajas de una RNA 
2.3.8 Aplicaciones

Capítulo III Métodos de balanceo de clases 
3.1 Muestreo de datos 
3.1.1 Submuestreo
3.1.1.1 Algoritmos de Submuestreo
3.1.1.2 Submuestreo aleatorio (RUS)
3.1.1.3 Tomek links 
3.1.1.4 Vecinos cercanos (NearMiss)
3.1.2 Sobremuestreo 
3.1.2.1 Algoritmos de Sobremuestreo 
3.1.2.2 Sobremuestreo aleatorio (ROS) 
3.1.2.3 Sobremuestreo Sintético (SMOTE) 
3.1.2.4 Muestreo Sintético Adaptativo (ADASYN) 
3.1.3 Algoritmos Híbridos 
3.2 Aprendizaje sensible al costo
3.3 Métodos de ensamble 
3.4 Autoencoders 

Capítulo IV Experimentación 
4.1 Diseño experimental 
4.2 Selección 
4.3 Preprocesamiento y limpieza 
4.3.1 Análisis del conjunto de datos
4.3.2 Datos faltantes
4.3.3 Duplicados
4.3.4 Boxplot
4.3.5 Matriz de correlación
4.3.6 Transformaciones 
4.3.7 Estandarización 
4.3.8 Vista minable 
4.4 Aplicación de técnicas de balanceo 
4.5 Minería de datos 
4.5.1 Red neuronal 
4.5.2 Random Forest
4.5.3 Autoencoders 
4.6 Interpretación y evaluación
4.6.1 Matriz de Confusión 
4.6.2 Exactitud (Accuracy) 
4.6.3 Precisión (Precision) 
4.6.4 Sensibilidad (Recall) 
4.6.5 F1 - Measure 
4.6.6 Especificidad 
4.6.7 Tasa de Falsos Positivos (TFP)
4.6.8 Tasa de Falsos Negativos (TFN)
4.6.9 Espacio ROC

Capítulo V Resultados
5.1 Sin balancear 
5.2 Random Oversampling
5.3 NearMiss 
5.4 SMOTE 
5.5 Autoencoders 
5.6 Resumen 

Capítulo VI Conclusiones 

Capítulo VII Bibliografía

Capítulo VIII Apéndice