SMOTE

SMOTE - सिंथेटिक माइनॉरिटी ओवरसैंपलिंग तकनीक

SMOTE (सिंथेटिक माइनॉरिटी ओवरसैंपलिंग तकनीक) एक एल्गोरिदम है जिसका उपयोग डेटासेट में वर्ग असंतुलन की समस्याओं को संबोधित करने के लिए पर्यवेक्षित शिक्षण में किया जाता है। वर्ग असंतुलन तब होता है जब डेटा सेट में एक वर्ग के दूसरे की तुलना में अधिक या कम उदाहरण होते हैं। SMOTE डेटा सेट में अल्पसंख्यक वर्ग के डेटा के दो मौजूदा उदाहरणों को जोड़ने वाली लाइन की दिशा में सिंथेटिक उदाहरण (गैर-मौजूदा) उत्पन्न करके काम करता है।

यह एक ऐसी तकनीक है जिसका उपयोग क्लासिफायर द्वारा किसी वर्ग की गलत भविष्यवाणी करने की संभावना को कम करने के लिए किया जाता है। एसएमओटीई इस मायने में फायदेमंद है कि यह कृत्रिम अल्पसंख्यक वर्ग अप-सैंपलिंग की अनुमति देता है, जो वर्ग डेटा दुर्लभ होने पर सहायक होता है। यह तकनीक अल्पसंख्यक वर्ग (आस-पास के पड़ोसियों) से एक यादृच्छिक नमूना लेकर काम करती है और फिर सिंथेटिक डेटा बिंदु बनाती है जिन्हें अल्पसंख्यक वर्ग में यादृच्छिक सुविधाओं के साथ जोड़ा जाता है जिन्हें अल्पसंख्यक वर्ग से निकटतम पड़ोसियों तक वेक्टर की दिशा में संश्लेषित किया जाता है। बहुसंख्यक वर्ग.

यह विधि उन समस्या समूहों से निपटने में प्रभावी साबित हुई है जो या तो बेहद असंतुलित हैं या जिनकी निर्णय सीमा अरेखीय है। SMOTE विशेष रूप से तब उपयोगी होता है जब बहुसंख्यक वर्ग के बहुत सारे नमूने हों, लेकिन अल्पसंख्यक वर्ग के पर्याप्त नमूने न हों। यह सटीकता में सुधार कर सकता है और क्लासिफायर के पूर्वाग्रह को कम कर सकता है, साथ ही झूठी सकारात्मक त्रुटियों की लागत को भी कम कर सकता है।

इसकी प्रभावशीलता के कारण, SMOTE का कंप्यूटर विज़न, वित्त और इकोटॉक्सिकोलॉजी जैसे विभिन्न क्षेत्रों में व्यापक रूप से उपयोग किया जाने लगा है। कंप्यूटर प्रोग्रामिंग और साइबर सुरक्षा के क्षेत्र में मशीन लर्निंग और भविष्य कहनेवाला विश्लेषण के उपयोग के मामलों में भी इसका व्यापक रूप से उपयोग किया जाता है।