Η ανισορροπία στην τάξη είναι μια κοινή πρόκληση στη βαθιά μάθηση όπου ορισμένες τάξεις έχουν σημαντικά λιγότερα παραδείγματα από άλλα. Αυτή η ανισορροπία μπορεί να οδηγήσει σε προκατειλημμένα μοντέλα που δεν αποδίδουν καλά στις τάξεις μειοψηφίας.

Τεχνικές δειγματοληψίας δεδομένων

Η δειγματοληψία δεδομένων προσαρμόζει την κατανομή των δεδομένων κατάρτισης στην εκπροσώπηση της τάξης ισορροπίας.

Μάθηση με ευαισθησία στο κόστος

Η προσέγγιση αυτή ενθαρρύνει το μοντέλο να δίνει μεγαλύτερη προσοχή στις υποεκπροσωπούμενες τάξεις κατά τη διάρκεια της κατάρτισης, βελτιώνοντας τις συνολικές επιδόσεις στα ανισορροπημένα σύνολα δεδομένων.

Στρατηγικές εφαρμογής

Οι αποτελεσματικές στρατηγικές περιλαμβάνουν το συνδυασμό της δειγματοληψίας δεδομένων με λειτουργίες απώλειας που είναι ευαίσθητες στο κόστος. Επιπλέον, τεχνικές όπως η εστιακή απώλεια μπορεί να επικεντρωθεί σε παραδείγματα που δύσκολα ταξινομούν, περαιτέρω μετριάζοντας τα θέματα ανισορροπίας της τάξης.

  • Υπερδειγματοληψία των μειονοτικών τάξεων
  • Κλάσεις πλειοψηφίας που υποδειγματίζουν
  • Εφαρμογή βαρών κλάσης σε λειτουργίες απώλειας
  • Χρήση εστιακής απώλειας