Il presente lavoro riguarda l'ottimizzazione della decisione mediante metodi ensemblistici per l'elaborazione di database sbilanciati. A tal fine, abbiamo utilizzato metodi ensemblistici, che si basano sulla combinazione omogenea di previsioni o classificatori per una migliore generalizzazione.

Nel nostro progetto abbiamo utilizzato il database Credit Card Fraud Detection per generare e valutare il modello proposto. Abbiamo inoltre scelto il metodo di combinazione della foresta casuale, che combina diversi alberi decisionali e applica la strategia del voto di maggioranza per produrre una previsione ottimale.

Lo scopo del nostro studio è quello di costruire un modello di previsione utilizzando metodi di assemblaggio per migliorare le prestazioni di un classificatore individuale per gestire insiemi di dati non bilanciati. Per raggiungere il nostro obiettivo, oltre al metodo di combinazione della foresta casuale, abbiamo utilizzato anche i metodi di sottocampionamento e sovracampionamento per ottenere gli stessi risultati e, infine, abbiamo tratto una conclusione sui tre metodi utilizzati, implementati con il linguaggio di programmazione phyton.

. .