Klassenungleichgewicht tritt auf, wenn bestimmte Klassen in einem Datensatz im Vergleich zu anderen deutlich unterrepräsentiert sind. Dieses Ungleichgewicht kann zu einer schlechten Modellleistung führen, insbesondere bei Aufgaben wie der Klassifizierung, bei denen Minderheitenklassen von entscheidender Bedeutung sind.

Gemeinsame Techniken zur Behebung von Klassenungleichgewichten

Zur Minderung des Klassenungleichgewichts in neuronalen Netzen werden verschiedene Methoden eingesetzt, die einzeln oder kombiniert angewendet werden können, um bessere Ergebnisse zu erzielen.

Methoden auf Datenebene

Datenebenenansätze ändern den Datensatz, um die Klassenverteilung auszugleichen.

  • Überlagerung: Erhöhen der Anzahl von Minderheitsklassenproben, oft durch Duplizierung oder synthetische Datengenerierung.
  • Undersampling: Reduziert die Anzahl der Majoritätsklassen-Samples, um Minderheitenklassen zu entsprechen.
  • SMOTE: Synthetische Überabtastungstechnik schafft neue synthetische Beispiele für Minderheitenklassen.

Techniken auf Algorithmusebene

Diese Methoden verändern den Lernalgorithmus, um mit unausgewogenen Daten besser umgehen zu können.

  • Kostensensibles Lernen: Weisen Minderheitenklassen höhere Fehlklassifizierungskosten zu.
  • Focal Loss: Konzentriert sich auf schwer zu klassifizierende Beispiele, wodurch die Auswirkungen von leichten Negativen reduziert werden.

Real-World-Daten Beispiele

In der medizinischen Diagnose enthalten Datensätze oft weniger positive Fälle. Die Anwendung von Überabtastung oder SMOTE kann die Modellsensitivität verbessern. Bei der Betrugserkennung, bei der betrügerische Transaktionen selten sind, hilft kostensensibles Lernen dem Modell, diese Fälle effektiv zu priorisieren.