נתונים מאוזנים הם אתגר משותף בלמידה של מכונות, שבו מחלקה אחת החוצה באופן משמעותי את מספר האחרים.חוסר איזון זה יכול להוביל מודלים מוטה כי ביצועים גרועים בכיתות מיעוט. טכניקות למידה רגישות עלויות לטפל בבעיה זו על ידי הקצאת עלויות שונות להתאמה לא נאותה, עוזר מודלים להתמקד בכיתות מיעוט.

הבנה של נתונים מאוזנים

נתונים מאוזנים מתרחשים בתחומים שונים כגון זיהוי הונאה, אבחון רפואי, וסינון ספאם. במקרים אלה, שיעור המיעוט הוא לעתים קרובות יותר חשוב אבל פחות מיוצג אלגוריתמים סטנדרטיים נוטים לתמוך בכיתה הרוב, וכתוצאה מכך זיכרון נמוך עבור המעמד המיעוט.

טכניקות למידה רגישות

למידה רגישה עלות כרוכה בשינוי תהליך הלמידה כדי להסביר עלויות שונות של שיבושים.על ידי הקצאת עלויות גבוהות יותר לשגיאות על כיתות מיעוט, מודלים הופכים רגישים יותר לשיעורים אלה, שיפור הביצועים הכוללים.

גישות נפוצות

  • (ב) אלגוריתמים:0Weighted: FLT:1 משלבים משקלים של מעמדות לתוך תפקוד אובדן כדי להענשת הנאות של קבוצות מיעוט יותר כבד.
  • (ב) ,0) ,4 ,1 , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) טכניקות דגימה: 1.10.10.1 שילוב שיטות רגישות בעלות עם oversampling או undersampling כדי לאזן את תחילת הנתונים.