عدم تعادل کلاس یک چالش رایج در یادگیری عمیق است که در آن برخی از کلاس ها نمونه های بسیار کمتری نسبت به دیگران دارند.این عدم تعادل می تواند منجر به مدل های پیش فرض شود که در کلاس های اقلیت ضعیف عمل می کنند.

تکنیک های جمع آوری داده ها

نمونه گیری داده ها توزیع داده های آموزشی را برای تعادل نمایندگی کلاس تنظیم می کند. روش های مشترک شامل کلاس های اقلیت بیش از حد و کلاس های اکثریت کمتر است.این تکنیک ها به مدل کمک می کند تا به همان اندازه از تمام کلاس ها یاد بگیرد.

آموزش حساس به هزینه

یادگیری حساس به هزینه هزینه هزینه های طبقه بندی نادرست بالاتری را به کلاس های اقلیت اختصاص می دهد، این رویکرد مدل را تشویق می کند تا توجه بیشتری به کلاس های کمتر نشان داده شده در طول آموزش داشته باشد، بهبود عملکرد کلی در مجموعه داده های عدم تعادل.

استراتژی های پیاده سازی

استراتژی های موثر شامل ترکیب نمونه برداری داده با توابع کاهش وزن است، علاوه بر این، تکنیک هایی مانند از دست دادن کانونی می توانند آموزش را بر نمونه های سخت به کلاس متمرکز کنند، و مشکلات تعادل طبقاتی را کاهش دهند.

  • کلاس های اقلیت بیش از حد
  • کلاس های اکثریت
  • اعمال وزن کلاس در توابع از دست دادن
  • استفاده از از از دست دادن کانونی