حل داده های متعادل: تکنیک های عملی با بنیادهای ریاضی

تکنیک های مدیریت تعادل Im

چندین تکنیک می توانند اثرات عدم تعادل داده ها را کاهش دهند.این روش ها می توانند به طور گسترده به روش های سطح داده و الگوریتم طبقه بندی شوند.

روش های Data-Level

• خلاصه: افزایش نمونه های کلاس اقلیت، اغلب با استفاده از روش هایی مانند SMOTE، که نقاط داده مصنوعی را بر اساس نمونه های موجود اقلیت ایجاد می کند.
• زیرمجموعه: کاهش نمونه های کلاس اکثریت برای تعادل مجموعه داده ها، که می تواند خطر از دست دادن اطلاعات ارزشمند.
• [[۱] [۱۰] [۱۰] [[۱۰]] [[۱۰]]] [۱]]] [۱۰] [۱]] [۱۰]] [۱]] [۱۰] [۱]] [۱۰]] [۱]] [۱۰] [۱]] [۱]] ترکیب بیش از حد و زیر ریز کردن برای بهینه سازی تعادل داده ها.

روش های الگوریتم-Level

• یادگیری حساس به ارزش: [FLT 1] ثبت هزینه های طبقه بندی بالاتر به خطاهای کلاس اقلیت برای نفوذ بر تمرکز مدل.
• روش های جمع آوری: [FLT 1] استفاده از تکنیک هایی مانند تقویت برای بهبود تشخیص کلاس اقلیت.
• تعدیل آستانه تصمیم گیری: [FLT 1] اصلاح احتمال قطع به نفع پیش بینی های کلاس اقلیت.