ضربة

SMOTE – تقنية الإفراط في أخذ عينات الأقلية الاصطناعية

SMOTE (تقنية الإفراط في أخذ العينات للأقليات الاصطناعية) هي خوارزمية تستخدم في التعلم الخاضع للإشراف لمعالجة مشاكل عدم التوازن الطبقي في مجموعات البيانات. يحدث عدم توازن الفئة عندما تحتوي مجموعة البيانات على مثيلات لفئة واحدة أكثر أو أقل من الأخرى. يعمل SMOTE عن طريق إنشاء مثيلات تركيبية (غير موجودة) على طول اتجاه الخط الذي يربط بين مثيلين موجودين، لبيانات فئة الأقلية في مجموعة البيانات.

إنها تقنية تستخدم لتقليل احتمالية توقع المصنف للفئة بشكل غير صحيح. يعد SMOTE مفيدًا لأنه يسمح بأخذ عينات مصطنعة من فئة الأقلية، وهو أمر مفيد عندما تكون بيانات الفصل نادرة. تعمل هذه التقنية عن طريق أخذ عينة عشوائية من فئة الأقلية (الجيران القريبين) ثم إنشاء نقاط بيانات تركيبية تضاف إلى فئة الأقلية بميزات عشوائية يتم تصنيعها على طول اتجاه المتجه من فئة الأقلية إلى أقرب الجيران في فئة الأغلبية.

لقد أثبتت الطريقة فعاليتها عند التعامل مع مجموعات المشكلات التي تكون إما غير متوازنة للغاية أو تلك التي لها حدود قرار غير خطية. يعد SMOTE مفيدًا بشكل خاص عندما يكون هناك الكثير من العينات من فئة الأغلبية، ولكن لا توجد عينات كافية من فئة الأقلية. يمكنه تحسين الدقة وتقليل تحيز المصنفات، وكذلك تقليل تكلفة الأخطاء الإيجابية الخاطئة.

نظرًا لفعاليته، أصبح SMOTE مستخدمًا على نطاق واسع في مجالات مختلفة مثل رؤية الكمبيوتر والتمويل وعلم السموم البيئية. كما يتم استخدامه على نطاق واسع في حالات استخدام التعلم الآلي والتحليلات التنبؤية في مجالات برمجة الكمبيوتر والأمن السيبراني.