Chawla, Bowyer, Hall & Kegelmeyer 2002 — SMOTE: Synthetic Minority Over-sampling Technique

Vollstaendige Referenz: Nitesh V. Chawla, Kevin W. Bowyer, Lawrence O. Hall, W. Philip Kegelmeyer, „SMOTE: Synthetic Minority Over-sampling Technique”, Journal of Artificial Intelligence Research 16, S. 321–357, 2002. DOI: 10.1613/jair.953.

Fuer die Zulassungsarbeit

Kernbotschaft: SMOTE loest das Problem stark unbalancierter Klassifikationsdaten, indem es synthetische Minderheitsbeispiele durch lineare Interpolation im Merkmalsraum zwischen einem Minderheitspunkt und einem seiner k naechsten Klassenkameraden (Standard k = 5) erzeugt. Kombiniert mit Random-Undersampling der Mehrheitsklasse verschiebt SMOTE den Bias des Lerners zugunsten der Minderheit und liefert in 44 von 48 Experimenten (C4.5, Ripper, Naive Bayes; 9 Datensaetze) bessere ROC-Konvex-Huellen als reines Undersampling oder Kostenanpassung. Fuer die Zulassungsarbeit relevant als methodische Sach-Quelle in Kap. 4.4 (SMOTE-Grundprinzip + Kombination mit Undersampling) und als Bruecke zur PNRB15-Fallstudie in Kap. 5.

Zitat-Landkarte (Stand 2026-08-11)

Chronologische Gesamt-Uebersicht aller Zitate der Arbeit: zitat-index.

`\cite`-Stellen (verifiziert)

Manuskript-Kap. / Zeile	Aussage	Zitatmarker
Kap. 2.4 Z. 330	Bibliografische Nennung Chawla et al. 2002 (SMOTE) im Zeitstrahl	`\cite{CBHK02}`
Kap. 4.4 Z. 191	SMOTE-Grundidee: Over-Sampling durch synthetische Beispiele	`\cite[S.~328, M1]{CBHK02}`
Kap. 4.4 Z. 196	Algorithmus: $k$ naechste Nachbarn ( $k = 5$ ), lineare Interpolation mit Zufallsparameter $r \in [0, 1]$	`\cite[S.~328, M2]{CBHK02}`
Kap. 4.4 Z. 199	Kombination mit Undersampling der Mehrheitsklasse (Section 4.3 „Under-sampling and SMOTE Combination”)	`\cite[S.~331]{CBHK02}`
Kap. 4.4 Z. 201	Empirie: Kombination SMOTE + Undersampling uebertrifft reines Undersampling	`\cite[S.~352]{CBHK02}`

`\cite[S.~328, M1]{CBHK02}` — SMOTE-Grundidee (Kap. 4.4 Z. 191)

Manuskript-Aussage: Chawla et al. schlagen mit SMOTE ein Verfahren vor, das synthetische Minderheitsklassen-Datenpunkte erzeugt.

Originalwortlaut (S. 328, Anfang Section 4.2 „SMOTE”):

„We propose an over-sampling approach in which the minority class is over-sampled by creating ‚synthetic’ examples rather than by over-sampling with replacement.”

Deutsche Uebersetzung: „Wir schlagen einen Oversampling-Ansatz vor, bei dem die Minderheitsklasse durch die Erzeugung ‚synthetischer’ Beispiele oversampled wird — statt durch Oversampling mit Zuruecklegen.”

Begruendung Passung: Zentrale Grundidee — synthetische Beispiele statt Duplikate — steht wortgetreu in Chawlas Introduction des Verfahrens.

`\cite[S.~328, M2]{CBHK02}` — SMOTE-Algorithmus mit $k$ -Nachbarn und Interpolation (Kap. 4.4 Z. 196)

Manuskript-Aussage: Fuer jeden Datenpunkt der Minderheitsklasse werden seine $k$ naechsten Klassenkameraden im Merkmalsraum bestimmt (typischerweise $k = 5$ ); zwischen dem Datenpunkt und einem zufaellig gewaehlten Nachbarn wird durch lineare Interpolation ein synthetischer Datenpunkt eingefuegt.

Originalwortlaut (S. 328, unmittelbar nach M1):

„The minority class is over-sampled by taking each minority class sample and introducing synthetic examples along the line segments joining any/all of the $k$ minority class nearest neighbors. Depending upon the amount of over-sampling required, neighbors from the $k$ nearest neighbors are randomly chosen. Our implementation currently uses five nearest neighbors. […] Take the difference between the feature vector (sample) under consideration and its nearest neighbor. Multiply this difference by a random number between 0 and 1, and add it to the feature vector under consideration. This causes the selection of a random point along the line segment between two specific features.”

Deutsche Uebersetzung: „Die Minderheitsklasse wird oversampled, indem fuer jeden Minderheitspunkt entlang der Verbindungsstrecken zu seinen $k$ naechsten Minderheits-Nachbarn synthetische Beispiele eingefuegt werden. Je nach benoetigter Oversampling-Menge werden aus den $k$ Nachbarn zufaellig welche ausgewaehlt; unsere Implementierung verwendet fuenf Nachbarn. […] Die Differenz zwischen dem Merkmalsvektor und seinem naechsten Nachbarn wird mit einer Zufallszahl aus [0, 1] multipliziert und zum Ausgangsvektor addiert — das ergibt einen Zufallspunkt auf der Verbindungsstrecke.”

Begruendung Passung: Gesamte Algorithmus-Beschreibung in einem Highlight-Block: $k$ Nachbarn, $k = 5$ als Default, Zufallswahl aus den Nachbarn, Interpolation entlang Verbindungslinie mit Zufallsparameter $r \in [0, 1]$ .

`\cite[S.~331]{CBHK02}` — Kombination mit Undersampling (Kap. 4.4 Z. 199)

Manuskript-Aussage: Die so vergroesserte Minderheitsklasse wird haeufig mit einem Undersampling der Mehrheitsklasse kombiniert, um eine ausgeglichenere Trainingsverteilung zu erhalten.

Originalwortlaut (S. 331, Section 4.3 „Under-sampling and SMOTE Combination”):

„The majority class is under-sampled by randomly removing samples from the majority class population until the minority class becomes some specified percentage of the majority class.”

Deutsche Uebersetzung: „Die Mehrheitsklasse wird per Zufalls-Entfernen so weit reduziert, bis die Minderheit einen vorgegebenen Prozentsatz der Mehrheit ausmacht.”

Begruendung Passung: Section 4.3 heisst explizit „Under-sampling and SMOTE Combination” und beschreibt die Mechanik der Kombination. Der Manuskript-Satz ist ihr direkter Reflex.

`\cite[S.~352]{CBHK02}` — Empirische Ueberlegenheit der Kombination (Kap. 4.4 Z. 201)

Manuskript-Aussage: Empirisch uebertrifft diese Kombination reines Undersampling.

Originalwortlaut (S. 352, Section 7 „Summary”):

„The results show that the SMOTE approach can improve the accuracy of classifiers for a minority class. SMOTE provides a new approach to over-sampling. The combination of SMOTE and under-sampling performs better than plain under-sampling.”

Deutsche Uebersetzung: „Die Ergebnisse zeigen, dass der SMOTE-Ansatz die Genauigkeit von Klassifikatoren fuer eine Minderheitsklasse verbessern kann. SMOTE bietet einen neuen Oversampling-Ansatz. Die Kombination von SMOTE und Undersampling schneidet besser ab als reines Undersampling.”

Begruendung Passung: Direkter empirischer Vergleich in Chawlas eigener Summary. Ergaenzt Z. 199 (Mechanik) um die Ergebnis-Aussage — verankert die Wahl der Kombination in PNRB15.

`\cite{CBHK02}` — Bibliografische Nennung im Zeitstrahl (Kap. 2.4 Z. 330)

Manuskript-Aussage: Nennung von Chawla et al. 2002 (SMOTE) im chronologischen Zeitstrahl. Originalwortlaut: Bibliografische Nennung ohne Seitenbezug. Begruendung Passung: Reine bibliografische Nennung der Primaerquelle im Zeitstrahl-Kontext.

Section 1. Introduction — Warum das Paper wichtig ist

Das Problem: Class Imbalance

Ein Datensatz ist unbalanciert, wenn die Klassen ungleich stark vertreten sind — in vielen Anwendungen liegt das Verhaeltnis bei 100 : 1 (Betrugserkennung) bis 100 000 : 1. Klassische Klassifikatoren optimieren auf Accuracy und geraten in eine Falle: Bei 98 % negativer und 2 % positiver Klasse (Mammographie) liefert ein „immer-negativ-Klassifikator” 98 % Accuracy und ist trotzdem klinisch wertlos.

Bisherige Ansaetze

Kostensensitives Lernen: unterschiedliche Fehlklassifikationskosten (Pazzani et al. 1994; Domingos 1999).
Re-Sampling: Oversampling der Minderheit (Ling & Li 1998) oder Undersampling der Mehrheit (Kubat & Matwin 1997).

CBHK02 kombiniert (a) synthetisches Oversampling der Minderheit (neu, ihr Beitrag) mit (b) Random-Undersampling der Mehrheit.

Section 2. Performance Measures — Warum nicht Accuracy?

Konfusionsmatrix

	Predicted Negative	Predicted Positive
Actual Negative	TN	FP
Actual Positive	FN	TP

Standardformeln: $Accuracy = \frac{TP + TN}{TP + FP + TN + FN}, recall = \frac{TP}{TP + FN}, precision = \frac{TP}{TP + FP}$

ROC-Kurve (Receiver Operating Characteristic)

Zeigt %TP ( $\frac{TP}{TP + FN}$ ) gegen %FP ( $\frac{FP}{TN + FP}$ ) fuer verschiedene Klassifikator-Betriebspunkte. Der Ideal-Punkt ist (0, 100). Die Diagonale $y = x$ entspricht Zufallsraten.

AUC — Area Under the Curve

Integriert die ROC-Kurve mit der Trapezregel. Ein Klassifikator mit hoeherer AUC dominiert einen mit niedrigerer AUC generell (Bradley 1997).

ROC-Konvex-Huelle

Zentrale Idee (Provost & Fawcett 2001): Punkte auf der Konvex-Huelle sind potenziell optimal — es gibt keine andere Kombination mit gleicher Steigung, aber hoeherem TP-Intercept. Klassifikatoren, deren ROC-Punkte auf der Huelle liegen, sind fuer irgendein Kostenverhaeltnis die beste Wahl.

Section 3. Previous Work — Kurzueberblick

Kubat & Matwin (1997) unterteilen Minderheitsbeispiele in noise / borderline / redundant / safe und nutzen Tomek Links zur Identifikation von Borderline-Punkten. Weitere verwandte Arbeiten: SHRINK (Kubat et al. 1998), Japkowicz (2000), Ling & Li (1998), Solberg & Solberg (1996), DeRouin et al. (1991, Neural Nets), Lewis & Catlett (1994), Mladenić & Grobelnik (1999).

Kern-Fazit der Literatur (S. 326): „Under-sampling the majority class enables better classifiers to be built than over-sampling the minority class. A combination of the two as done in previous work did not lead to classifiers that outperform those built utilizing only under-sampling. However, the over-sampling of the minority class has been done by sampling with replacement from the original data. Our approach uses a different method of over-sampling.”

Section 4. SMOTE — Der Algorithmus

4.1 Warum Replikation nicht funktioniert

Wird ein Minderheitspunkt einfach dupliziert, verringert sich zwar sein Gewicht in der Verlustfunktion nicht — aber die Entscheidungsregion um ihn wird kleiner und spezifischer:

Der Decision-Tree spaltet feiner und feiner in der Naehe des replizierten Punktes,
die Baumgroesse waechst (mehr Terminal-Nodes, mehr Blaetter),
der Klassifikator overfitted auf die vervielfachten Punkte.

Konkret gezeigt in Fig. 3 (Mammography-Datensatz, S. 327): (a) drei Minderheitspunkte liegen in einer Mehrheits-Region, (b) Replikation erzeugt sehr enge Rechteck-Regionen um jeden replizierten Punkt, (c) SMOTE dagegen erzeugt eine breite gestrichelte Region, die alle Minderheitspunkte einschliesst.

4.2 Der SMOTE-Algorithmus

Idee: Fuer jeden Minderheitspunkt $x$ :

Bestimme seine $k$ naechsten Minderheitsnachbarn im Merkmalsraum (Euklidische Distanz), Standard $k = 5$ .
Waehle je nach Oversampling-Grad einige davon zufaellig aus (fuer 200 % Oversampling: 2 aus 5).
Fuer jeden ausgewaehlten Nachbarn $x_{nn}$ : berechne die Differenz $x_{nn} - x$ , multipliziere sie mit einer Zufallszahl $gap \in [0, 1]$ , addiere sie zu $x$ .

Das ergibt einen zufaelligen Punkt auf der geraden Verbindungslinie zwischen $x$ und $x_{nn}$ — geometrisch: lineare Interpolation im Merkmalsraum.

Pseudocode (S. 329):

Algorithm SMOTE(T, N, k)
Input:  T = Anzahl Minderheitsbeispiele
        N = Oversampling-Menge in Prozent
        k = Anzahl Nachbarn
Output: (N/100) * T synthetische Beispiele

for i = 1 to T:
    Compute k nearest neighbors for i, save indices in nnarray
    Populate(N, i, nnarray)

Populate(N, i, nnarray):
    while N ≠ 0:
        nn = random(1, k)
        for attr = 1 to numattrs:
            dif = Sample[nnarray[nn]][attr] - Sample[i][attr]
            gap = random(0, 1)
            Synthetic[newindex][attr] = Sample[i][attr] + gap * dif
        newindex++
        N = N - 1

Beispiel (Table 1, S. 330): Ausgangspunkt (6, 4), naechster Nachbar (4, 3). Differenz: (−2, −1). Neuer synthetischer Punkt = (6, 4) + rand(0, 1) · (−2, −1).

4.3 Under-sampling and SMOTE Combination

Die Mehrheitsklasse wird durch zufaelliges Entfernen von Datenpunkten reduziert, bis die Minderheit einen vorgegebenen Prozentsatz der Mehrheit ausmacht. Wichtige Notation (S. 331): „under-sample at 200 %” bedeutet: der modifizierte Datensatz enthaelt doppelt so viele Minderheitsbeispiele wie Mehrheitsbeispiele.

Konkretes Beispiel: 50 Minderheits- + 200 Mehrheitsbeispiele → bei 200 % Undersampling bleiben 25 Mehrheitsbeispiele uebrig.

Durch die Kombination SMOTE(Minderheit) + Undersampling(Mehrheit) wird der urspruengliche Klassifikations-Bias zugunsten der Mehrheit umgekehrt.

Section 5. Experimente

5.1 Datensaetze (Table 2, S. 334)

Neun Datensaetze mit zunehmendem Imbalance-Grad:

Dataset	Mehrheit	Minderheit	Verhaeltnis
Pima	500	268	1,9 : 1
Phoneme	3818	1586	2,4 : 1
Adult	37155	11687	3,2 : 1
E-state	46869	6351	7,4 : 1
Satimage	5809	626	9,3 : 1
Forest Cover	35754	2747	13 : 1
Oil	896	41	22 : 1
Mammography	10923	260	42 : 1
Can	435512	8360	52 : 1

5.2 Setup

Basisklassifikatoren: C4.5 Release 8 (Quinlan 1992), Ripper (Cohen 1995) mit Loss-Ratio-Variation 0,9 → 0,001, Naive Bayes mit Prior-Skalierung 1×–50× Minderheit.
SMOTE-Skalierung: 100 %, 200 %, 300 %, 400 %, 500 % (dataset-abhaengig).
Undersampling-Skalierung: 10 %, 15 %, 25 %, 50 %, 75 %, 100 %, 125 %, 150 %, 175 %, 200 %, 300 %, 400 %, 500 %, 600 %, 700 %, 800 %, 1000 %, 2000 %.
Cross-Validation: 10-fach, jede ROC-Kurve = Mittel ueber 10 Faltungen.

5.3 Ergebnisse — AUC-Tabelle (Table 3, S. 345, C4.5)

Bestwerte fett; AUC-Werte skaliert x10000:

Dataset	Under	100 SMOTE	200 SMOTE	300 SMOTE	400 SMOTE	500 SMOTE
Pima	7242	7307
Phoneme	8622	8644	8661
Satimage	8900	8957	8979	8963	8975	8960
Forest Cover	9807	9832	9834	9849	9841	9842
Oil	8524	8523	8368	8161	8339	8537
Mammography	9260	9250	9265	9311	9330	9304
E-state	6811	6792	6828	6784	6788	6779
Can	9535	9505	9505	9494	9472	9470

Beobachtungen:

In fast allen Datensaetzen liegt der Bestwert mit SMOTE (nur Can gewinnt reines Undersampling).
Der optimale SMOTE-Grad variiert stark je Datensatz — dieser Punkt ist wichtig fuer PNRB15, wo die Autoren 700–1000 % einsetzen.

5.4/5.5 Weitere Vergleiche

Threshold-Tuning (Sec. 5.4, S. 345): SMOTE dominiert Provost’s Alternative, die Blatt-Entscheidungsschwellen in C4.5 direkt zu variieren.
SHRINK und One-sided Selection (Sec. 5.5, S. 345): SMOTE ist vergleichbar mit SHRINK und teils besser (Oil-Datensatz).

Section 6. Future Work — Erweiterungen

6.1 SMOTE-NC (Nominal-Continuous, S. 348)

Fuer Datensaetze mit gemischt numerisch/nominalen Merkmalen. Idee:

Berechne den Median der Standardabweichungen aller kontinuierlichen Minderheits-Merkmale.
In der Euklidischen Distanz wird pro unterschiedlichem nominalen Merkmal dieser Median als Straf-Term addiert.
Der synthetische Punkt uebernimmt fuer nominale Merkmale die Mehrheitswahl unter den k Nachbarn, fuer kontinuierliche Merkmale die Standard-SMOTE-Interpolation.

6.2 SMOTE-N (rein nominal, S. 349)

Verwendet die Value Difference Metric (Stanfill & Waltz 1986, modifiziert von Cost & Salzberg 1993): $δ (V_{1}, V_{2}) = \sum_{i = 1}^{n} \frac{C _{1 i}}{C _{1}} - \frac{C _{2 i}}{C _{2}}^{k}$

Zwei nominale Werte sind sich aehnlich, wenn sie ueber die Klassen aehnlich verteilt sind. Der synthetische Vektor uebernimmt pro Merkmal die Mehrheitsstimme der k Nachbarn.

Section 7. Summary — Kern-Erkenntnisse

Aus dem Paper direkt (S. 352):

SMOTE + Undersampling schlaegt reines Undersampling in 44 von 48 Experimenten.
SMOTE + Undersampling schlaegt Ripper-Loss-Ratio-Variation und Naive-Bayes-Prior-Variation.
Erklaerung des Effekts: „Our method of synthetic over-sampling works to cause the classifier to build larger decision regions that contain nearby minority class points” — statt kleinerer, spezifischerer Regionen bei Replikation.

Ausnahmen (S. 352): Pima (Naive Bayes gewinnt — geringster Imbalance-Grad), Oil (Under-Ripper besser), Can (SMOTE und Under ueberlappen).

Zusammenfassung — was Du wissen musst

Wenn Du morgen 5 Saetze ueber CBHK02 sagen musst, sind es diese:

Problem: Bei stark unbalancierten Datensaetzen (z. B. 100 : 1) sind klassische Accuracy-optimierende Klassifikatoren nutzlos — sie ignorieren die interessante Minderheitsklasse. Loesungsansaetze der Vergangenheit (Undersampling, Kosten, Priors) haben Nachteile.
Kern-Verfahren SMOTE: Fuer jeden Minderheitspunkt werden seine k = 5 naechsten Klassenkameraden gesucht; zwischen Punkt und einem zufaellig gewaehlten Nachbarn wird durch lineare Interpolation im Merkmalsraum ein synthetischer Datenpunkt eingefuegt.
Kombination: SMOTE wird typisch mit Random-Undersampling der Mehrheitsklasse kombiniert, sodass die Klassenverteilung ausgeglichener wird.
Warum synthetisch statt Replikation: Replikation erzeugt kleine, spezifische Entscheidungsregionen (Overfitting, groessere Baeume); SMOTE zwingt den Klassifikator zu breiteren, allgemeineren Regionen.
Empirisches Ergebnis: In 44 von 48 Experimenten (C4.5 / Ripper / Naive Bayes ueber 9 Datensaetze) liefert SMOTE + Undersampling bessere ROC-Konvex-Huellen und AUC als reines Undersampling, Loss-Ratio-Variation oder Prior-Variation.

Formales Referenzblatt

Symboltabelle

Symbol	Aussprache / Name	Bedeutung
$T$	„gross T”	Anzahl der Minderheitsbeispiele im Trainingsdatensatz
$N$	„gross N”	Oversampling-Menge in Prozent (100, 200, 300, 400, 500)
$k$	„klein k”	Anzahl naechster Nachbarn fuer SMOTE (Standard k = 5)
$gap$	„gap”	Zufallszahl aus dem Intervall $[0, 1]$ , Position auf der Verbindungsstrecke
$x_{i}$	„x-i”	Betrachteter Minderheitspunkt (Feature-Vektor)
$x_{nn}$	„x-N-N”	Zufaellig gewaehlter naechster Nachbar aus den k Nachbarn
$x_{new}$	„x-new”	Neu erzeugter synthetischer Datenpunkt
$TP$	„True Positive”	Korrekt vorhergesagte Minderheit (Ausfall / Krebszelle / Interessantes)
$FP$	„False Positive”	Falsche Minderheits-Vorhersage (Fehlalarm)
$TN$	„True Negative”	Korrekt vorhergesagte Mehrheit
$FN$	„False Negative”	Uebersehene Minderheit
$% TP$	„Prozent TP”	Trefferquote = $TP / (TP + FN)$ (Y-Achse der ROC-Kurve)
$% FP$	„Prozent FP”	Fehlalarmquote = $FP / (TN + FP)$ (X-Achse der ROC-Kurve)
$A U C$	„A-U-C”	Area Under the (ROC) Curve, ueber Trapezregel
$δ (V_{1}, V_{2})$	„delta von V-1, V-2”	Value Difference Metric — Distanz zweier nominaler Werte (SMOTE-N)
$C_{1}, C_{1 i}$	„C-1, C-1-i”	Gesamtvorkommen von Wert $V_{1}$ und Vorkommen von $V_{1}$ in Klasse $i$

Formeln und ihre Bedeutung

(1) SMOTE-Interpolation — Herzstueck des Algorithmus:

$x_{new} = x_{i} + gap \cdot (x_{nn} - x_{i}), gap \in [0, 1]$

Was sie sagt: Der neue synthetische Punkt liegt auf der geraden Verbindungslinie zwischen dem Ausgangspunkt $x_{i}$ und dem zufaellig gewaehlten k-naechsten Nachbarn $x_{nn}$ — an einer zufaelligen Position, angegeben durch $gap$ .

Geometrisch:

$gap = 0$ : $x_{new} = x_{i}$ (identisch mit Ausgangspunkt — Rand-Fall).
$gap = 1$ : $x_{new} = x_{nn}$ (identisch mit Nachbar — Rand-Fall).
$gap = 0, 5$ : exakt in der Mitte der Strecke.

Wie im Paper genutzt: Die Formel wird pro Merkmal-Dimension einzeln angewendet, mit immer derselben Zufallszahl $gap$ fuer alle Dimensionen eines Punktepaars — dadurch bleibt der neue Punkt exakt auf der Geraden.

Fuer die Verteidigung merken: SMOTE erweitert die konvexe Huelle der Minderheitspunkte im Merkmalsraum nicht — der neue Punkt liegt immer innerhalb der Nachbarschaft. Das ist die entscheidende Sicherheitsgarantie gegen unrealistische Ausreisser.

(2) Recall und Precision (S. 326):

$recall = \frac{TP}{TP + FN}, precision = \frac{TP}{TP + FP}$

Was sie sagen: Recall = Anteil der tatsaechlichen Minderheitspunkte, die auch erkannt werden. Precision = Anteil der Minderheits-Alarme, die tatsaechlich korrekt sind.

Warum wichtig: Bei unbalancierten Klassen viel aussagekraeftiger als Accuracy — decken die zwei Fehlerarten separat auf.

(3) Accuracy (S. 323) — warum sie nicht geeignet ist:

$Accuracy = \frac{TP + TN}{TP + FP + TN + FN}$

Was sie sagt: Anteil aller korrekten Klassifikationen an allen Beispielen.

Warum sie versagt: Bei 98 % Mehrheit erreicht ein „immer-negativ-Klassifikator” 98 % Accuracy — obwohl er die Minderheit komplett verpasst.

(4) Value Difference Metric fuer SMOTE-N (S. 351):

$δ (V_{1}, V_{2}) = \sum_{i = 1}^{n} \frac{C _{1 i}}{C _{1}} - \frac{C _{2 i}}{C _{2}}^{k}$

Was sie sagt: Zwei nominale Werte $V_{1}$ , $V_{2}$ sind aehnlich, wenn ihre klassenweise Verteilung aehnlich ist. Beispiel: „Diagnose = benign” und „Diagnose = fibroid” sind aehnlich, wenn beide zu 90 % in „gesund”-Beispielen vorkommen.

Warum wichtig: Fuer rein nominale Daten (z. B. kategoriale Attribute in medizinischen Daten) liefert die Euklidische Distanz keinen sinnvollen Nachbarschaftsbegriff — VDM ersetzt sie.

Bezug zu PNRB15 (Fallstudie in Kap. 5 der Zulassungsarbeit)

Prytz et al. 2015 setzen SMOTE exakt so ein wie in CBHK02 beschrieben, aber mit anderen Skalierungsparametern:

Parameter	CBHK02 (Standard)	PNRB15 (LKW-Kompressor)
Nachbaranzahl k	5	12–20
SMOTE-Grad	100–500 %	700–1000 %
Kombiniert mit Undersampling	ja	ja (TL, ENN, CNN, NCL)
Basisklassifikator	C4.5 / Ripper / NB	Random Forest (100 Baeume)
Evaluationsmetrik	AUC + ROC-Huelle	Profit-Funktion

Interpretation: PNRB15 skaliert SMOTE aggressiver, weil der Ausfall-Klassen-Anteil im LKW-Datensatz deutlich kleiner ist als in den meisten CBHK02-Datensaetzen. Zudem verwenden sie ausgefeiltere Undersampling-Varianten (Tomek Links, Edited Nearest Neighbor, Condensed NN, Neighbourhood Cleaning), waehrend CBHK02 nur reines Random-Undersampling einsetzt.

Zusammenhaenge

Zitat-Index: zitat-index
Quellenkarte: CBHK02
Baut auf: — (eigenstaendige Methoden-Entwicklung)
Wird verwendet in: pnrb15-zusammenfassung (SMOTE + Undersampling im Random-Forest-Setting), Kap. 4.4 der Zulassungsarbeit (Erklaerung des SMOTE-Verfahrens)
Konzeptuelle Nachbarn:
- qui93-zusammenfassung — C4.5 als Basisklassifikator in CBHK02
- bfos84-zusammenfassung — CART als Baum-Konzept, das der SMOTE-Argumentation in Fig. 3 zugrunde liegt
- bre01-zusammenfassung — Random Forests (nicht im CBHK02-Paper behandelt, aber im PNRB15-Anschluss zentral)
Unsere Arbeit: Kap. 2.4 (Zeitstrahl-Nennung), Kap. 4.4 (SMOTE-Grundprinzip + Kombination mit Undersampling — zwei \beleg-Stellen, spaeter zu \cite[S.~328]{CBHK02} und \cite[S.~331]{CBHK02} umgeschrieben)

studium-vault — Master-Arbeiten Informatik

Bereiche

CBHK02 (Chawla, Bowyer, Hall, Kegelmeyer 2002) — Deutsche Zusammenfassung