مدیریت داده های عدم تعادل یک چالش رایج در یادگیری ماشین است، زمانی رخ می دهد که یک کلاس به طور قابل توجهی از دیگران تجاوز می کند و بر عملکرد مدل های پیش بینی تأثیر می گذارد. اعمال تکنیک های مناسب می تواند دقت مدل و قابلیت اطمینان را بهبود بخشد.

درک داده های متعادل

داده های تعادلی توسط توزیع نامتناسب کلاس ها مشخص می شوند، به عنوان مثال، در تشخیص تقلب، معاملات واقعی به طور گسترده ای تعداد کلاهبرداران را تشکیل می دهند.این عدم تعادل می تواند مدل هایی را برای نفع طبقه اکثریت ایجاد کند، و تشخیص نمونه های کلاس اقلیت را کاهش دهد.

تکنیک های عملی برای مدیریت تعادل Im

چندین روش می تواند عدم تعادل داده ها را به طور موثر حل 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 به طور ذاتی قوی به عدم تعادل، مانند روش های گروهی هستند.
  • یادگیری حساس به ارزش: [FLT 1] هزینه طبقه بندی نادرست بالاتر را به خطاهای طبقاتی اقلیت اختصاص دهید.

معیارهای عملکردی برای داده های متعادل

ارزیابی مدل ها در داده های عدم تعادل نیازمند معیارهای خاصی است:

  • تصمیم گیری: نسبت پیش بینی های مثبت واقعی در میان همه پیش بینی های مثبت.
  • [[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] [۳] [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] [۱] [۵] [۱] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۱] [۱] [۵] [۵] [۵] [۵] [۱] [۵] [۵] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۵] [۵] [۵] [۵] [۱] [۱] [۱] [۵] [۵] [۱] [۵] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۵] [۳] [۱] [۱] [۵] [۵] [۵] [۱] [۱]
  • [[۱] [۱۰] [۱] [۱۰] [۱] [۱۰]] [۱۰]] [۱] [۱۰] [۱]] [۱۰] [۱]] [۱۰] [۱] [۱۰] [۱]] [۱۰] [۱] [۱۰] [۱]] [۱] [۱]] توانایی مدل برای تشخیص بین طبقات در آستانه ها را اندازه گیری می کند.