Los datos infrarrojos son un reto común en el aprendizaje automático, donde una clase supera significativamente a otros. Este desequilibrio puede llevar a modelos tendenciosos que realizan mal en las clases minoritarias. Implementar técnicas eficaces puede ayudar a mejorar la equidad y la precisión del modelo.

Comprensión de los datos

El desequilibrio de datos se produce cuando la distribución de clases en un conjunto de datos es desigual. Por ejemplo, en la detección del fraude, las transacciones genuinas superan enormemente las fraudulentas. Este desequilibrio puede hacer que los modelos favorezcan a la clase mayoritaria, reduciendo su capacidad para detectar instancias de clase minoritaria.

Técnicas para abordar el desequilibrio

Se pueden utilizar varios métodos para mitigar el desequilibrio de datos:

  • Resampling: Ajuste el conjunto de datos mediante la superación de clases minoritarias o la submuestrección de clases mayoritarias.
  • Generación de datos sintéticos: Usa algoritmos como SMOTE para crear ejemplos sintéticos de clases minoritarias.
  • Enfoques Algorítmicos: Modelos de empleados que son inherentemente robustos al desequilibrio, como métodos de conjunto.
  • Aprendizaje sensible al presupuesto: Asignar costos de clasificación superior a las clases minoritarias durante la capacitación.

Cálculos para mejorar la equidad

Las métricas como Precisión, Recordar y F1-Score ayudan a evaluar el rendimiento del modelo en datos desbalanzados. Calcular el G-mean y AUC-ROC proporciona información sobre el equilibrio entre sensibilidad y especificidad. Estos cálculos guían ajustes para mejorar la equidad.

Por ejemplo, el F1-Score se calcula como:

F1 = 2 * (Precisión * Recordar) / (Precisión + Recordar)

Optimizar estas métricas garantiza que el modelo se realice bien en todas las clases, promoviendo la equidad y la fiabilidad.