Η ανισορροπία στην κατηγορία εμφανίζεται όταν ορισμένες κατηγορίες σε ένα σύνολο δεδομένων υποεκπροσωπούνται σημαντικά σε σύγκριση με άλλες. Αυτή η ανισορροπία μπορεί να οδηγήσει σε κακή απόδοση μοντέλου, ειδικά σε εργασίες όπως η ταξινόμηση όπου οι τάξεις μειοψηφίας είναι κρίσιμες. \" αντιμετώπιση της ταξικής ανισορροπίας είναι απαραίτητη για την ανάπτυξη ακριβών και αξιόπιστων νευρωνικών δικτύων.

Κοινές τεχνικές για την αντιμετώπιση της ανισορροπίας της τάξης

Πολλές μέθοδοι χρησιμοποιούνται για τον μετριασμό της ταξικής ανισορροπίας στα νευρωνικά δίκτυα.

Μέθοδοι επιπέδου δεδομένων

Οι προσεγγίσεις σε επίπεδο δεδομένων τροποποιούν το σύνολο δεδομένων για την κατανομή της τάξης ισορροπίας. Αυτές περιλαμβάνουν:

  • Περαιτέρω δειγματοληψία: Αύξηση του αριθμού δειγμάτων μειοψηφικής κλάσης, συχνά μέσω επικάλυψης ή δημιουργίας συνθετικών δεδομένων.
  • Υποδειγματοληψία: Μείωση του αριθμού δειγμάτων της τάξης πλειοψηφίας για να αντιστοιχίσουν με τις τάξεις μειοψηφίας.
  • SMOTE: Συνθετική τεχνική μειονοτικών εκπομπών δημιουργεί νέα συνθετικά παραδείγματα για τις μειονοτικές τάξεις.

Τεχνικές επιπέδου αλγόριθμου

Αυτές οι μέθοδοι τροποποιούν τον αλγόριθμο μάθησης για να χειριστούν καλύτερα ανισορροπημένα δεδομένα. Παραδείγματα περιλαμβάνουν:

  • Ευαίσθητη μάθηση: Αναθέτει υψηλότερο κόστος λανθασμένης ταξινόμησης στις μειονοτικές τάξεις.
  • Απώλεια Focal: Επικεντρώνει την εκπαίδευση σε παραδείγματα που είναι δύσκολο να ταξινομηθούν, μειώνοντας τον αντίκτυπο των εύκολων αρνητικών.

Παραδείγματα πραγματικών δεδομένων στον κόσμο

Στην ιατρική διάγνωση, τα σύνολα δεδομένων συχνά περιέχουν λιγότερες θετικές περιπτώσεις. Η εφαρμογή της υπερδειγματοληπτικής δειγματοληψίας ή SMOTE μπορεί να βελτιώσει την ευαισθησία του μοντέλου. Στην ανίχνευση απάτης, όπου οι δόλιες συναλλαγές είναι σπάνιες, η οικονομική-ευαίσθητη μάθηση βοηθά το μοντέλο να δώσει προτεραιότητα στον εντοπισμό αυτών των περιπτώσεων αποτελεσματικά.