TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA CÔNG NGHỆ THÔNG TIN


NGUYỄN THÀNH CÔNG - 18133004
TRẦN HOÀNG AN BÌNH - 18133003

Đề Tài:

TÌM HIỂU IMBALANCED CLASSIFICATION
KHÓA LUẬN TỐT NGHIỆP KỸ SƯ KỸ THUẬT DỮ LIỆU
GIÁO VIÊN HƯỚNG DẪN
ThS. Quách Đình Hoàng

KHÓA 2018 - 2022
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH

KHOA CÔNG NGHỆ THÔNG TIN


NGUYỄN THÀNH CÔNG - 18133004
TRẦN HOÀNG AN BÌNH - 18133003

Đề Tài:

TÌM HIỂU IMBALANCED CLASSIFICATION
KHÓA LUẬN TỐT NGHIỆP KỸ SƯ KỸ THUẬT DỮ LIỆU
GIÁO VIÊN HƯỚNG DẪN
ThS. Quách Đình Hoàng

KHÓA 2018 – 2022

ĐH SƯ PHẠM KỸ THUẬT
TP.HCM

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc

KHOA CNTT
*********
PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN
*******
Họ và tên Sinh viên 1: Nguyễn Thành Công

MSSV: 18133004

Họ và tên Sinh viên 2: Trần Hoàng An Bình

MSSV: 18133003

Ngành: Kỹ thuật dữ liệu
Tên đề tài: Tìm hiểu Imbalanced classification
Họ và tên giáo viên hướng dẫn: Quách Đình Hoàng
NHẬN XÉT
1. Về nội dung đề tài khối lượng thực hiện:

......................................................................................................................................
......................................................................................................................................
......................................................................................................................................
......................................................................................................................................
......................................................................................................................................
2. Ưu điểm:

......................................................................................................................................
......................................................................................................................................
......................................................................................................................................
......................................................................................................................................
......................................................................................................................................
3. Khuyết điểm

......................................
...

...
i toán và mở rộng phân tích hướng
phân tích cho bài toán
6.3. HƯỚNG PHÁT TRIỂN
Lý thuyết được trình bày trong báo cáo có thể được áp dụng để giải quyết các bài
toán phân tích vấn đề mất cân bằng dữ liệu. Từ đó đưa ra cái nhìn tổng quan của bài báo
cáo.

86

• Mở rộng các ứng dụng bài toán trong thực tế.
• Không chỉ dừng lại ở các bài đánh giá mô hình có thể áp dụng vào bất kỳ dữ
liệu nào, sử dụng nhiều dữ liệu thực tế hơn.
Ngoài ra đề tài còn có thể phát triển tiếp tục theo xây dựng ứng dụng để giải quyết
vấn đề mất cân bằng dữ liệu.

87

TÀI LIỆU THAM KHẢO
[1] Learning from Imbalanced Data Sets by Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C.
Prati, Bartosz Krawczyk, Francisco Herrera

[2] Japkowicz, N., Shah, M.: Evaluating learning algorithms: a classification perspective. Cambridge
University Press, Cambridge (2011)
[3] Fawcett, T.: An introduction to ROC analysis. Pattern Recogn. Lett. 27(8), 861–874 (2006)
[4] Díez-Pastor, J.F., Rodríguez, J.J., García-Osorio, C.I., Kuncheva, L.I.: Diversity techniques
improve the performance of the best imbalance learning ensembles. Inf. Sci. 325, 98–117
[5] Predd, J.B., Seiringer, R., Lieb, E.H., Osherson, D.N., Poor, H.V., Kulkarni, S.R.: Probabilistic
coherence and proper scoring rules. IEEE Trans. Inf. Theory 55(10), 4786–4792 (2009)
[6] Hand, D.J.: Measuring classifier performance: a coherent native to the area under the ROC
curve. Mach. Learn. 77(1), 103–123 (2009)
[7] Núñez, M.: The use of background knowledge in decision tree induction. Mach. Learn. 6,
231–250 (1991)
[8] Krawczyk, B., Schaefer, G., Wo´zniak, M.: A hybrid cost-sensitive ensemble for imbalanced
breast thermogram classification. Artif. Intell. Med. 65(3), 219–227 (2015)
[9] Domingos, P.M.: Metacost: a general method for making classifiers cost-sensitive. In:
Proceedings of the Fifth ACM SIGKDD International Conference on Knowledge Discovery
and Data Mining, San Diego, pp. 155–164, 15–18 Aug 1999
[10] Cheng, F., Zhang, J., Wen, C., Liu, Z., Li, Z.: Large cost-sensitive margin distribution machine
for imbalanced data classification. Neurocomputing 224, 45–57 (2017)
[11] Chawla, N.V., Bowyer, K.W., Hall, L.O., Kegelmeyer, W.P.: SMOTE: synthetic minority over–
sampling technique. J. Artif. Intell. Res. 16, 321–357 (2002)
[12] Dietterich, T.G.: An experimental comparison of three methods for constructing ensembles of
decision trees: bagging, boosting, and randomization. Mach. Learn. 40, 139–157 (2000)

88