Luận văn Thạc sĩ: Nghiên cứu phân lớp trên dữ liệu mất cân bằng và ứng dụng

Trong những năm gần đây, vấn đề học máy từ dữ liệu phân bố không cân bằng là một thách thức lớn cho các nhà nghiên cứu trong rất nhiều miền ứng dụng thực tế: mạng internet, bảo mật, viễn thông, quản lý tài chính và tin sinh học. Khi áp dụng các thuật toán phân lớp truyền thống lên các tập dữ liệu mất cân bằng, chúng thường xử lý dữ liệu một cách lệch lạc, dẫn đến độ chính xác cao cho lớp đa số nhưng độ nhạy rất thấp cho lớp thiểu số. Điều này đặt ra yêu cầu cấp thiết về việc nghiên cứu và phát triển các kỹ thuật chuyên biệt. Luận văn này tập trung khảo sát các phương pháp nâng cao hiệu năng phân lớp trên dữ liệu mất cân bằng nhằm cải thiện độ tin cậy và hiệu quả của các mô hình trong các ứng dụng thực tiễn.

Các nhà nghiên cứu, sinh viên sau đại học trong lĩnh vực Khoa học máy tính, Kỹ thuật dữ liệu, Trí tuệ nhân tạo, và các chuyên gia quan tâm đến bài toán phân lớp dữ liệu mất cân bằng.

Nghiên cứu này giải quyết bài toán cấp thiết về **phân lớp dữ liệu** trên **dữ liệu mất cân bằng**, một thách thức phổ biến trong **học máy** ảnh hưởng đến độ tin cậy của các hệ thống phân tích. Luận văn bắt đầu bằng việc trình bày tổng quan về khái niệm **phân lớp dữ liệu**, quy trình thực hiện và các **độ đo đánh giá mô hình phân lớp** quan trọng như **accuracy** và **sensitivity**. Sau đó, nghiên cứu đi sâu vào định nghĩa và đặc điểm của **dữ liệu mất cân bằng**, phân tích cách thức mà nó làm suy giảm hiệu suất của các thuật toán phân lớp truyền thống, vốn thường tạo ra các mô hình thiên vị cho lớp đa số và bỏ qua lớp thiểu số. Để khắc phục vấn đề này, luận văn khảo sát toàn diện các **kỹ thuật xử lý dữ liệu mất cân bằng**, bao gồm cả **hướng tiếp cận ở mức độ dữ liệu** (như **SMOTE** và các phương pháp **undersampling** như **HMU**, **HBU**, **RBU**) và **hướng tiếp cận ở mức độ thuật toán**. Các thuật toán **phân lớp** cụ thể như **DEC-SVM** được phân tích chi tiết. Cuối cùng, luận văn trình bày một phần **ứng dụng** thực tế, trong đó các **thuật toán phân lớp** đã chọn được thử nghiệm và đánh giá trên bộ dữ liệu **Pima-Indians-Diabetes**. Kết quả thử nghiệm cung cấp cái nhìn sâu sắc về hiệu quả của các phương pháp khác nhau trong việc cải thiện khả năng phân lớp trên dữ liệu mất cân bằng, góp phần vào việc phát triển các **mô hình phân lớp** mạnh mẽ và công bằng hơn trong các tình huống dữ liệu thực tế.