W dzisiejszym świecie opartym na danych większośc rzeczywistych aplikacji boryka się z problemem nierównowagi klas, gdzie kluczowe dane są rzadkością. Ta nierównowaga ma poważny wplyw na dokladnośc modeli klasyfikacyjnych, zwlaszcza w wrażliwych dziedzinach, takich jak diagnostyka medyczna, finanse i przewidywanie blędów oprogramowania. W systemach oprogramowania wczesne przewidywanie blędów ma zasadnicze znaczenie dla obniżenia kosztów i poprawy niezawodności. Jednak wiele modeli uczenia maszynowego zawodzi z powodu nierównomiernych zbiorów danych. Aby rozwiązac ten problem, proponujemy trzy nowatorskie algorytmy: IDROS (próbkowanie nadmierne), IDRUS (próbkowanie niedostateczne) oraz podejście hybrydowe IDROSUS. IDROS wykorzystuje KNN wokól centroidu mniejszościowego do generowania danych syntetycznych, natomiast IDRUS usuwa mniej istotne próbki większościowe na podstawie odleglości od średniej. Hybrydowy algorytm IDROSUS równoważy obie strony jednocześnie, zmniejszając nadmierne dopasowanie i niedopasowanie. Oceniliśmy te metody przy użyciu 40 zbiorów danych z repozytorium PROMISE i przetestowaliśmy je w ośmiu klasyfikatorach. Wskaźniki wydajności, takie jak dokladnośc, przypomnienie, precyzja i miara F, wykazaly, że IDROSUS przewyższa istniejące techniki.