إن معالجة مجموعات البيانات غير المتوازنة تحد مشترك في التعلم الآلاتي، وعندما تفوق إحدى الفئات أعداداً كبيرة غيرها، قد تصبح النماذج متحيزة، مما يؤدي إلى ضعف الأداء في صفوف الأقليات، ويمكن أن يؤدي تنفيذ استراتيجيات عملية إلى تحسين دقة النماذج ونزاهتها.

فهم مجموعات البيانات المتوازنة

وتحدث مجموعة بيانات غير متوازنة عندما يكون توزيع الفصول غير متساو، ففي الكشف عن الغش، تكون المعاملات الاحتيالية نادرة مقارنة بالمعاملات المشروعة، إذ إن الاعتراف بهذا الاختلال هو الخطوة الأولى نحو التصدي له بفعالية.

التقنيات على مستوى البيانات

(ج) تعدل التقنيات على مستوى البيانات مجموعة البيانات لتوازن التوزيع على أساس الفصل، وتشمل الأساليب المشتركة ما يلي:

  • Oversampling:] Increasing the number of minority class samples, often using techniques like SMOTE.
  • Undersampling:] Reducing the majority class samples to match minority class size.
  • Data Augmentation:] Creating new synthetic samples to enhance minority class representation.

الاستراتيجيات على مستوى الخوارزم

ويمكن أيضاً لتعديل نظام التكوين أن يعالج اختلال التوازن بين الفصول.

  • Cost-sensitive learning:] Assigning higher misclassification costs to minority class errors.
  • تعديل الأوزان في الفئة: ] Modifying the importance of classes during model training.
  • Ensemble methods:] Combining multiple models to improve minority class detection.

مصفوفات التقييم

ومن الضروري استخدام القياسات المناسبة لتقييم الأداء النموذجي للبيانات غير المتوازنة، وتشمل القياسات المشتركة ما يلي:

  • Precision:] The proportion of true positives among predicted positives.
  • Recall:] The proportion of actual positives correctly identified.
  • F1 Score:] The harmonic mean of accurate and recall.
  • AUC-ROC:] Measures the ability of the model to distinguish between classes.