Jadi, mau jadi tim SMOTE yang klasik atau tim GAN yang futuristik? Jangan lupa, pada akhirnya yang terpenting adalah hasil, bukan prosesnya. Seperti kata bijak para data scientist: "Kalau bisa selesai dengan simpel, kenapa harus ribet?"
Sekian dari saya! Kalau Anda punya pengalaman menarik dengan SMOTE atau GAN, bagikan di komentar. Karena, ya, cerita seru tentang data itu selalu layak didengar. Cheers!
Referensi:
Engelmann, J., & Lessmann, S. (202). Conditional Wasserstein GAN-based oversampling of tabular data for imbalanced learning. Expert Systems with Applications, 74, 4582.
Tan, H., Chen, R., Qin, M., Tang, L., Wu, Z., Luo, Q., & Quan, Y. (2023, April). Tabular gan-based oversampling of imbalanced time-to-event data for survival prediction. In 2023 8th International Conference on Cloud Computing and Big Data Analytics (ICCCBDA) (pp. 376-380). IEEE.
Ai, Q., Wang, P., He, L., Wen, L., Pan, L., & Xu, Z. (2023, April). Generative Oversampling for Imbalanced Data via Majority-Guided VAE. In International Conference on Artificial Intelligence and Statistics (pp. 3315-3330). PMLR.
Baca konten-konten menarik Kompasiana langsung dari smartphone kamu. Follow channel WhatsApp Kompasiana sekarang di sini: https://whatsapp.com/channel/0029VaYjYaL4Spk7WflFYJ2H
