Tratamiento de clases desequilibradas mediante métodos de ensamblaje

El presente trabajo trata de la optimización de la decisión mediante métodos ensemblísticos para el tratamiento de bases de datos desequilibradas. Para ello, hemos utilizado métodos ensemblísticos, que se basan en la combinación homogénea de predicciones o clasificadores para una mejor generalización.En nuestro proyecto, hemos utilizado la base de datos Credit Card Fraud Detection para generar y evaluar el modelo propuesto. También elegimos el método de combinación del bosque aleatorio, que combina varios árboles de decisión y aplica la estrategia del voto mayoritario para producir una predicción óptima.El objetivo de nuestro estudio es construir un modelo de predicción utilizando métodos de ensamblaje para mejorar el rendimiento de un clasificador individual a la hora de tratar conjuntos de datos desequilibrados.Para lograr nuestro objetivo, además del método de combinación de bosque aleatorio utilizado, también utilizamos los métodos de submuestreo y sobremuestreo para lograr los mismos resultados y finalmente sacar una conclusión sobre los tres métodos utilizados y esto lo implementamos con el lenguaje de programación phyton.