---

O aprendizado de máquina em conjuntos de dados que possuam classes desbalanceadas tem recebido considerável aten‡Æo na comunidade científica, pois os algoritmos de classifica‡Æo tradicionais nÆo fornecem um desempenho satisfatório. Várias melhorias nos algoritmos tradicionais de classifica‡Æo têm sido propostas na literatura, onde foram feitas considera‡äes a nível de dados e a nível de algoritmos. O primeiro utiliza diversas formas de reamostragem, tal como super-amostragem de exemplos da classe minoritária, sub-amostragem de exemplos da classe majoritária ou a combina‡Æo de ambos. Os últimos tentam adaptar (inserindo custos diferenciados em exemplos da classe minoritária e majoritária ou alterando kernels) os algoritmos de classifica‡Æo já existentes para melhorar o desempenho. Vários algoritmos na forma de um comitê de máquinas também sÆo reportados como meta-técnicas para trabalhar com classes desbalanceadas. Esta tese estudou estes principais algoritmos. Depois foi feito um estudo se poderia obter algo mais das características de cada um. Obteve-se um algoritmo composto que possui uma taxa de acerto na classifica‡Æo de dados melhor que os algoritmos nos quais se baseou.

---

Doutor em Ciências pela Universidade Federal de Uberlândia. Atualmente é Professor do Ensino Básico, Técnico e Tecnológico no Instituto Federal do Triângulo Mineiro - Campus Avan‡ado Uberaba Parque Tecnológico.

---