Estratégias de Balanceamento de dados em Machine Learning: Uma análise interclasse e intraclasse

Abstract

O desbalanceamento de dados constitui um desafio fundamental no campo do aprendizado de máquina, afetando diretamente a confiabilidade de modelos preditivos em domínios sensíveis como o setor financeiro e a saúde. Embora o desequilíbrio interclasse tenha sido o foco histórico das pesquisas, o fenômeno do desbalanceamento intraclasse — caracterizado pela distribuição desigual de padrões e níveis de dificuldade no interior de uma mesma categoria — apresenta-se como um obstáculo crítico à capacidade de generalização dos algoritmos. Este trabalho explora estratégias de mitigação para ambos os níveis de desbalanceamento, conduzindo uma análise experimental em dois domínios de alta criticidade: a detecção de fraudes em transações de cartão de crédito e a classificação de tumores cerebrais em imagens de ressonância magnética. A metodologia adota uma abordagem bimodal: para os dados tabulares, empregam-se técnicas de reamostragem híbrida e adaptativa, como SMOTE-ENN e ADASYN, combinadas a modelos de Gradient Boosting de alto desempenho (XGBoost, LightGBM e CatBoost); para as imagens médicas, recorre-se a arquiteturas com mecanismos de atenção, incluindo a EfficientNet-B0 com CBAM e o Swin Transformer. A eficácia das abordagens é auditada por meio de um protocolo de validação cruzada estratificada, fundamentado em métricas adequadas a distribuições assimétricas, como F1-Score, AUC-ROC e GMean. Os resultados demonstram que a incorporação da diversidade interna das classes ao processo de treinamento resulta em modelos mais robustos: no domínio financeiro, os algoritmos de Gradient Boosting alcançaram desempenho equivalente, com G-Mean de 0,9245 para o CatBoost, enquanto no diagnóstico oncológico o Swin Transformer atingiu G-Mean de 0,9773 e acurácia de 97,74%. Conclui-se que o tratamento explícito do desbalanceamento intraclasse é determinante para a identificação confiável de subgrupos minoritários, reforçando a robustez e a equidade preditiva dos sistemas.