การทำเหมืองข้อมูล การประยุกต์ใช้เทคนิคการสุ่มตัวอย่างเกินของชนกลุ่มน้อยสังเคราะห์ (SMOTe) สำหรับชุดข้อมูลที่ไม่สมดุล ใน Data Science ชุดข้อมูลที่ไม่สมดุลไม่ใช่เรื่องน่าประหลาดใจ หากชุดข้อมูลที่มีไว้สำหรับปัญหาการจำแนกประเภท เช่น การวิเคราะห์ความรู้สึก การสร้างภาพทางการแพทย์ หรือปัญหาอื่นๆ ที่เกี่ยวข้องกับการวิเคราะห์เชิงคาดการณ์แบบแยกส่วน (เช่น การทำนายความล่าช้าของเที่ยวบิน) มีจำนวนอินสแตนซ์ไม่เท่ากัน (ตัวอย่างหรือจุดข้อมูล) สำหรับคลาสที่แตกต่างกัน ชุดข้อมูลเหล่านั้นจะถูกกล่าวถึง..

ภาพรวม: - นักวิทยาศาสตร์ข้อมูลได้รับมอบหมายให้สร้างแบบจำลองและทำนายอนาคต ไม่มากก็น้อย นี่คืองานที่ต้องเผชิญในแต่ละวัน เราเริ่มต้นด้วยการจัดหาข้อมูล การทำโปรไฟล์ การเตรียมการ จากนั้นใช้ข้อมูลที่รวบรวมไว้นั้นในขั้นตอนการสร้างโมเดล มีสิ่งหนึ่งที่เหมือนกันตรงนี้ นั่นคือในแต่ละขั้นตอนเรากำลังเตรียม อินสแตนซ์ข้อมูล (ชุดข้อมูลระดับกลาง) ที่มีความหมาย ซึ่งจะเป็นประโยชน์สำหรับนักวิทยาศาสตร์ข้อมูล/นักวิเคราะห์ข้อมูลคนอื่นๆ เพื่อประโยชน์ที่ดีขึ้น ความเข้าใจกรณีการใช้งาน โดยทั่วไป..