חוסר איזון מעמדי מתרחש כאשר שיעורים מסוימים בנקודת נתונים מוגדרים באופן משמעותי בהשוואה לאחרים.חוסר איזון זה יכול להוביל לביצועים במודלים עניים, במיוחד במשימות כמו סיווג שבו שיעורי המיעוט הם קריטיים.

טכניקות נפוצות לטיפול ב- Class Imמאזן

שיטות מסוימות משמשות כדי להפחית חוסר איזון מעמד ברשתות עצביות.טכניקות אלה יכולות להיות מוחלות באופן אישי או בשילוב לתוצאות טובות יותר.

שיטות בעלות נתונים

גישות ברמת נתונים לשנות את ה- Dataset כדי לאזן את ההפצה של הכיתה.

  • (ב) ,0) Oversampling: (FLT:1) הגדלת מספר הדגימות של קבוצות מיעוט, לעתים קרובות באמצעות שכפול או דור נתונים סינתטי.
  • (ב) ,0) , פיזור: 1 (ב) מספר הדגימות המעמדיות של רוב, כדי להתאים את מעמד המיעוט.
  • (ב) ,0) ,MOTE: FLT:1 , Synthetic Minority Over-samplingטכניקה יוצרת דוגמאות סינתטיות חדשות לשיעורי מיעוטים.

טכניקות אלגוריג'ם-לבאל

שיטות אלה לשנות את אלגוריתם הלמידה כדי לטפל טוב יותר בנתונים ללא איזון.

  • (ב) ⁇ :0) למידה רגישה: ⁇ 1 (הבא) עולה עלות הנאות גבוהה יותר לשיעורי מיעוט.
  • (ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

דוגמאות נתונים אמיתיים

באבחון רפואי, נתונים מכילים לעתים קרובות פחות מקרים חיוביים.שימוש oversampling או SMOTE יכול לשפר את הרגישות המודל. בגילוי הונאה, שבו עסקאות הונאה הן נדירות, למידה רגישה בעלות עוזר המודל מראש זיהוי מקרים אלה ביעילות.