A szakdolgozatomban azt vizsgáltam, hogy a különféle fúziós eljárások milyen teljesítményt szolgáltatnak a különböző osztálycímke-arányok esetében egy olyan adathalmazon, amelyben a debreceni diabéteszes retinopátiáról találhatóak információk. A diabéteszes retionpátia egy olyan szembetegség, amely a cukorbetegeknél alakulhat ki, és súlyos esetben akár vakságot is okozhat. Ehhez már egy meglévő gépi tanulási programot használtam, ahol a rendszer véletlenszerűen kettéosztja a bemeneti adathalmazt tanítási és tesztelési halmazokra. A feladatom azt volt, hogy megvizsgáljam a nullás címkéket a tanítási adathalmazon, hogy így egy tisztább képet kapjunk a különböző fúziós eljárások teljesítményéről. Az eredmény pedig a következő lett: a pontosság eltérő módon változik az osztály arányokkal a különböző egyesítési stratégiákban. A SOFT_MIN nullás értékeivel a pontosság is nőtt. Ugyanez elmondható a SOFT_MUL eredményeire is, ugyanakkor a SOFT_MAX-ra ellentétes eredmények jöttek ki: a nullás értékek csökkenésével a pontosság értékei is csökkentek. A MAJORITY, WEIGHTED_MAJORITY és a SOFT_AVG értékeiről pedig nem lehet pontosabb következtetést levonni.