Du?a ilo?c danych generowanych online umo?liwila naukowcom zajmuj?cym si? danymi analizowanie tych informacji i wyci?ganie wniosków z ró?nych dziedzin. Jednak dane w czasie rzeczywistym s? cz?sto podatne na brak równowagi, co mo?e obni?yc jako?c danych i stanowi powa?ne wyzwanie w dziedzinie uczenia maszynowego. Techniki oparte na próbkowaniu i modele oparte na algorytmach to dwie podstawowe metody stosowane do rozwi?zywania i równowa?enia nierównowagi danych. W niniejszej rozprawie przedstawiono trzy ró?ne techniki zarz?dzania ró?nymi poziomami nierównowagi w danych w czasie rzeczywistym.Pocz?tkowe podej?cie proponuje technik? opart? na próbkowaniu zintegrowan? z mechanizmem bagging w celu radzenia sobie z nierównowag? danych. Model identyfikuje nierównowag? danych opart? na klasach i wykonuje nadpróbkowanie dla ka?dej dost?pnej klasy. Mechanizm bagging polega na tworzeniu podzbiorów danych szkoleniowych, maj?c na celu zró?nicowanie poziomów nierównowagi w danych szkoleniowych, aby zapewnic skuteczne przewidywanie. Mimo to efekt braku równowagi utrzymuje si? w mechanizmie predykcji, prowadz?c do nieprawidlowej klasyfikacji kilku klas mniejszo?ciowych.