Όταν μια κατηγορία υπερτερεί σημαντικά σε αριθμό άλλων, τα μοντέλα μπορεί να γίνουν προκατειλημμένα, οδηγώντας σε κακές επιδόσεις σε τάξεις μειοψηφίας.

Κατανόηση ανισορροπημένων συνόλων δεδομένων

Για παράδειγμα, στον εντοπισμό απάτης, οι δόλιες συναλλαγές είναι σπάνιες σε σύγκριση με τις νόμιμες. \" αναγνώριση αυτής της ανισορροπίας είναι το πρώτο βήμα προς την αποτελεσματική αντιμετώπισή της.

Τεχνικές επιπέδου δεδομένων

Οι τεχνικές επιπέδου δεδομένων τροποποιούν το σύνολο δεδομένων για την κατανομή της τάξης ισορροπίας.

  • Περαιτέρω δειγματοληψία: Αύξηση του αριθμού δειγμάτων μειοψηφικής κλάσης, συχνά χρησιμοποιώντας τεχνικές όπως ο ΣΜΟΤΕ.
  • Υποδειγματοληψία: Μείωση των δειγμάτων της τάξης πλειοψηφίας ώστε να ταιριάζουν με το μέγεθος της κατηγορίας μειοψηφίας.
  • Μείωση δεδομένων: Δημιουργία νέων συνθετικών δειγμάτων για την ενίσχυση της εκπροσώπησης της μειονοτικής τάξης.

Στρατηγικές επιπέδου αλγόριθμου

Η προσαρμογή του αλγόριθμου μάθησης μπορεί επίσης να αντιμετωπίσει την ανισορροπία της τάξης. Οι τεχνικές περιλαμβάνουν:

  • Αισθητική μάθηση: Αναθέτοντας υψηλότερο κόστος λανθασμένης ταξινόμησης σε σφάλματα της κατηγορίας μειοψηφίας.
  • ⁇ των βαρών κλάσης: Τροποποίηση της σημασίας των τάξεων κατά τη διάρκεια της κατάρτισης μοντέλου.
  • Μέθοδοι συναρμολόγησης: Συνδυάζοντας πολλαπλά μοντέλα για τη βελτίωση της ανίχνευσης της κατηγορίας μειοψηφίας.

Μετρήσεις αξιολόγησης

Η χρήση κατάλληλων μετρικών είναι απαραίτητη για την αξιολόγηση των επιδόσεων του μοντέλου σε ανισορροπημένα δεδομένα.

  • Ακριβής: Η αναλογία των αληθινών θετικών μεταξύ των προβλεπόμενων θετικών.
  • Ανακλήστε: Η αναλογία των πραγματικών θετικών που ταυτοποιήθηκαν σωστά.
  • Βαθμολογία F1: Ο αρμονικός μέσος της ακρίβειας και της ανάκλησης.
  • AUC-ROC: Μετράει την ικανότητα του μοντέλου να διακρίνει μεταξύ των κατηγοριών.