W dzisiejszym ¿wiecie opartym na danych wi¿kszo¿¿ rzeczywistych aplikacji boryka si¿ z problemem nierównowagi klas, gdzie kluczowe dane s¿ rzadko¿ci¿. Ta nierównowaga ma powäny wp¿yw na dok¿adno¿¿ modeli klasyfikacyjnych, zw¿aszcza w wräliwych dziedzinach, takich jak diagnostyka medyczna, finanse i przewidywanie b¿¿dów oprogramowania. W systemach oprogramowania wczesne przewidywanie b¿¿dów ma zasadnicze znaczenie dla obni¿enia kosztów i poprawy niezawodno¿ci. Jednak wiele modeli uczenia maszynowego zawodzi z powodu nierównomiernych zbiorów danych. Aby rozwi¿zä ten problem, proponujemy trzy nowatorskie algorytmy: IDROS (próbkowanie nadmierne), IDRUS (próbkowanie niedostateczne) oraz podej¿cie hybrydowe IDROSUS. IDROS wykorzystuje KNN wokó¿ centroidu mniejszo¿ciowego do generowania danych syntetycznych, natomiast IDRUS usuwa mniej istotne próbki wi¿kszo¿ciowe na podstawie odleg¿o¿ci od ¿redniej. Hybrydowy algorytm IDROSUS równowäy obie strony jednocze¿nie, zmniejszaj¿c nadmierne dopasowanie i niedopasowanie. Ocenili¿my te metody przy u¿yciu 40 zbiorów danych z repozytorium PROMISE i przetestowali¿my je w o¿miu klasyfikatorach. Wskäniki wydajno¿ci, takie jak dok¿adno¿¿, przypomnienie, precyzja i miara F, wykazäy, ¿e IDROSUS przewy¿sza istniej¿ce techniki.