O aprendizado de maquina em conjuntos de dados que possuam classes desbalanceadas tem recebido consideravel atencao na comunidade cientifica, pois os algoritmos de classificacao tradicionais nao fornecem um desempenho satisfatorio. Varias melhorias nos algoritmos tradicionais de classificacao tem sido propostas na literatura, onde foram feitas consideracoes a nivel de dados e a nivel de algoritmos. O primeiro utiliza diversas formas de reamostragem, tal como super-amostragem de exemplos da classe minoritaria, sub-amostragem de exemplos da classe majoritaria ou a combinacao de ambos. Os ultimos tentam adaptar (inserindo custos diferenciados em exemplos da classe minoritaria e majoritaria ou alterando kernels) os algoritmos de classificacao ja existentes para melhorar o desempenho. Varios algoritmos na forma de um comite de maquinas tambem sao reportados como meta-tecnicas para trabalhar com classes desbalanceadas. Esta tese estudou estes principais algoritmos. Depois foi feito um estudo se poderia obter algo mais das caracteristicas de cada um. Obteve-se um algoritmo composto que possui uma taxa de acerto na classificacao de dados melhor que os algoritmos nos quais se baseou."