Un'enorme quantit? di dati viene raccolta e archiviata nei database di tutto il mondo. Questi dati si accumulano e continuano ad aumentare ogni anno. Estrarre le informazioni nascoste in questi database e classificare le informazioni estratte sono i compiti pi? importanti del data mining. Se questi insiemi di dati sono sbilanciati, diventa difficile gestirli. La previsione del futuro ? uno dei compiti fondamentali del data mining. Lavorare con insiemi di dati sbilanciati per prevedere i possibili risultati ? un compito molto noioso. Un set di dati ? sbilanciato quando non viene classificato correttamente, quando una classe contiene pi? istanze di altre. Spesso vengono rappresentate come una classe positiva (minoranza) e una negativa (maggioranza). La classe che ha un numero minore di campioni ? chiamata classe minoritaria, mentre quella che ne ha di pi? ? chiamata classe maggioritaria. I dataset sbilanciati causano molti problemi seri nel data mining, per lo pi? l'algoritmo di classificazione standard considera il dataset come bilanciato, che a sua volta ? parziale verso la classe maggioritaria. Per applicazioni come la diagnosi medica, ci? provoca effetti molto gravi. Il bilanciamento del set di dati ? quindi fondamentale per molte applicazioni in tempo reale.