חוסר איזון מעמד הוא אתגר משותף בלמידה של מכונות שבו שיעור אחד מספור אחרים.חוסר איזון זה יכול להוביל מודלים מוטה כי ביצועים גרועים על שיעורי מיעוטים. יישום טכניקות יעילות יכול לשפר את הדיוק החיזוי וההגינות המודל.

הבנה של Class Imמאזן

חוסר איזון מעמדי מתרחש כאשר חלוקת המעמדות בנקודת נתונים היא לא אחידה.לדוגמה, בגילוי הונאה, עסקאות הונאה הן הרבה פחות מאשר לגיטימיות.חוסר איזון זה יכול לגרום למודלים לטובת המעמד הרוב, צמצום גילוי מקרי המיעוט.

טכניקות ל-Cremeting Class Imמאזן

מספר שיטות יכולות לעזור להפחית את בעיות חוסר איזון מעמדי:

  • (ב) ,0) ,Resampling: 1FLT) מכוונן את הנתונים על ידי קבוצות מיעוט או שיעורי רוב מורדים.
  • (FLT:0)Synthetic Data Generation:FLT:1 השתמש בטכניקות כמו SMOTE כדי ליצור דוגמאות סינתטיות של קבוצות מיעוט.
  • (ב) מודלים של תעסוקה:0 (אלגורית'): מודלים של תעסוקה 1 (Figitalph 1), אשר חזקים לחוסר איזון, כגון שיטות הרכב.
  • (ב) שיעור ההשוואה (ב"ג) הוא שיעור התמותה הגבוה ביותר (ב"ג)

משככי כאבים ל-Icon Imמאזן

מסובכים עוזרים לכמת את היקף חוסר האיזון והביצועים של המודל.

  • (ב) ⁇ :0) ,(ה) מאוזנת רציו: 1 ⁇ ) מספר הרוב למיעוט מקרים.
  • (ב) ויקרא: "ה', ויקרא: "ה', ויקרא: "ה', ויקרא י'"א, ויקרא י"ד, ויקרא י"ד:
  • (ב) ויקרא י"א: ויקרא י"ד: ויקרא י"ד: ויקרא י"ד: