Generación de datos estructurados para problemas de clasificación en entornos desequilibrados

Abstract

El desequilibrado de datos (imbalanced data) en algoritmos de aprendizaje automático es común en muchos problemas reales. Se han propuesto algoritmos para paliar esta cuestión generando ejemplos artificiales a partir de los originales. Uno de los más conocidos es el SMOTE (Synthetic Minority Over-sampling Technique) fue propuesto en 2002 y se aplica en espacios de vectores obteniendo buenos resultados. La idea básica de este proyecto es extender este algoritmo a tipos estructurados (cadenas) y comparar los resultados en clasificación según sean las cadenas de datos originales, o bien, originales mezcladas con artificiales.