مدیریت مجموعه داده های عدم تعادل یک چالش رایج در یادگیری ماشین است، زمانی که یک کلاس به طور قابل توجهی از دیگران تعداد می برد، مدل ها ممکن است به صورت پیش فرض تبدیل شوند و منجر به عملکرد ضعیف در کلاس های اقلیت شوند. پیاده سازی استراتژی های عملی می تواند دقت مدل و عدالت را بهبود بخشد.

درک داده های متعادل Im Balance Datasets

یک مجموعه داده ی عدم تعادل زمانی رخ می دهد که توزیع کلاس ها نامشروط باشد، به عنوان مثال در تشخیص تقلب، معاملات جعلی در مقایسه با موارد قانونی نادر هستند.

تکنیک های Data-Level

تکنیک های سطح داده، داده ها را برای تعادل توزیع کلاس تغییر می دهند.

  • اضافه کردن: افزایش تعداد نمونه های کلاس اقلیت، اغلب با استفاده از تکنیک هایی مانند SMOTE.
  • زیر ریزه کردن: کاهش نمونه های کلاس اکثریت برای مطابقت با اندازه کلاس اقلیت.
  • اطلاع رسانی: ایجاد نمونه های مصنوعی جدید برای افزایش نمایندگی کلاس اقلیت.

استراتژی های الگوریتم-Level

تنظیم الگوریتم یادگیری همچنین می تواند به عدم تعادل کلاس اشاره کند.

  • یادگیری حساس به ارزش: [FLT 1] ثبت هزینه های طبقه بندی بالاتر به خطاهای طبقاتی اقلیت.
  • تعدیل وزن کلاس: [FLT 1] اصلاح اهمیت کلاس در طول آموزش مدل.
  • روش های جمع آوری: ترکیب مدل های متعدد برای بهبود تشخیص کلاس اقلیت.

ارزیابی متریک

استفاده از معیارهای مناسب برای ارزیابی عملکرد مدل در داده های غیر متعادل ضروری است.

  • [در این باره] [در این باره]، [[[۱]] [۱]] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱۰] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [
  • [[۱] [۱۰] [[۱۰]] [[۱۰]] [[۱]]] [۱]] [۳] [۱]] [۳] [۱]] [۳] [۱] [۳] [۱]] [۳] [۱] [۳] [۱] [۱] [۱] [۱] [۱] [۳] [۱] [۱] [۱] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۱] [۱] [۱] [۳] [۱] [۱] [۳] [۱] [۳] [۱] [۱] [۱] [۱] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۱] [۳] [۱] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [
  • [[۱] [۱۰] امتیاز: [[۱] [۱۰] [۱] [۱]] [۱] [۱]] [۱] [۱] [۱]] [۱] [۱] [۱] [۱] [۱]] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۵] [۵] [۱] [۵] [۵] [۱] [۵] [۵] [۵] [۵] [۵] [۵] [۱] [۵] [۱] [۱] [۵] [۵] [۵] [۱] [۱] [۱] [۵] [۱] [۵] [۱] [۱] [۱] [۱] [۱] [۵] [۵] [۱] [۵] [۱] [۱] [۱] [۵] [۵] [۱] [۳] [۵] [۱] [۵] [۱] [۱] [۱] [۱] [۱] [۱] [۵] [۳] [۱] [۱] [۱] [۵] [۵] [۵] [۱] [۵
  • [[۱] [۱۰] [۱] [۱۰] [۱] [۱۰]] [۱]] [۱۰] [۱]] [۱۰] [۱]] [۱]] [۱۰] [۱] [۱۰] [۱]] [۱۰] [۱] [۱] [۱] [۳] [۱] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳]