Die vorliegende Arbeit befasst sich mit der Entscheidungsoptimierung durch ensemblistische Methoden für die Verarbeitung unausgewogener Datenbanken. Um dies zu erreichen, haben wir ensemblistische Methoden verwendet, die auf der homogenen Kombination von Vorhersagen oder Klassifikatoren für eine bessere Verallgemeinerung basieren.

In unserem Projekt haben wir uns auf die Credit Card Fraud Detection-Datenbank gestützt, um das vorgeschlagene Modell zu generieren und zu bewerten. Wir haben uns auch für die Methode der Zufallswaldkombination (random forest) entschieden, die mehrere Entscheidungsbäume kombiniert und die Strategie der Mehrheitswahl anwendet, um eine optimale Vorhersage zu erhalten.

Unsere Studie zielt darauf ab, ein Vorhersagemodell mit ensemblistischen Methoden zu erstellen, um die Leistung eines individuellen Klassifikators bei der Verarbeitung von unausgewogenen Datensätzen zu verbessern. Um unser Ziel zu erreichen, haben wir neben der Random-Forest-Kombinationsmethode auch Unter- und Überstichproben verwendet, um die gleichen Ergebnisse zu erzielen und schließlich eine Schlussfolgerung über die drei verwendeten Methoden zu ziehen.

. .