Table of Contents
عدم تعادل کلاس یک چالش رایج در یادگیری ماشین است که در آن یک کلاس به طور قابل توجهی از دیگران قدردانی می کند، این عدم تعادل می تواند منجر به مدل های پیش فرض شود که عملکرد ضعیف در کلاس های اقلیت دارند. پیاده سازی تکنیک های موثر می تواند دقت پیش بینی و عدالت مدل را بهبود بخشد.
درک تعادل طبقاتی Im Balance
عدم تعادل کلاس زمانی اتفاق می افتد که توزیع کلاس ها در مجموعه داده ها نامشروط باشد، به عنوان مثال، در تشخیص تقلب، معاملات جعلی بسیار کمتر از معاملات مشروع است.این عدم تعادل می تواند مدل هایی را برای نفع کلاس اکثریت ایجاد کند، و تشخیص نمونه های کلاس اقلیت را کاهش دهد.
تکنیک های کلاس Im Balance
چندین روش می تواند به کاهش مشکلات عدم تعادل طبقاتی کمک کند:
- Resampling: تنظیم داده ها توسط بیش از حد جمع آوری کلاس های اقلیت و یا کلاس های اکثریت کمتر.
- نسل داده های مصنوعی: از تکنیک هایی مانند SMOTE برای ایجاد نمونه های مصنوعی از کلاس های اقلیت استفاده کنید.
- رویکردهای نسبی: مدل های کارفرمایان که قوی به عدم تعادل هستند، مانند روش های گروهی.
- یادگیری حساس به ارزش: [FLT 1] هزینه طبقه بندی نادرست بالاتر به کلاس های اقلیت.
محاسبه برای ارزیابی تعادل کلاس Im
متریک ها به تعیین میزان عدم تعادل و عملکرد مدل کمک می کنند.
- [[۱] [۱۰] [۱] [۱۰] نسبت اکثریت به موارد طبقاتی اقلیت.
- [[۱] [۱۰] پیش بینی و یادآوری: [[۱۰] دقت پیش بینی های مثبت و توانایی یافتن همه موارد مثبت را اندازه گیری کنید.
- ] F1 امتیاز: [ [[ ] [به معنی هماهنگ کننده] دقت و یادآوری، تعادل هر دو معیار.