נתונים מאוזנים נפוצים ביישומים רבים בעולם האמיתי, כגון זיהוי הונאה, אבחון רפואי וגילוי אנומלי.כתובת חוסר איזון היא חיונית לבניית מודלים יעילים של למידת מכונה. מאמר זה חוקר טכניקות מעשיות הנתמכות על ידי עקרונות מתמטיים כדי להתמודד עם נתונים לא מאוזנים ביעילות.

הבנת איזון נתונים

(ה) אי-שוויון נתונים מתרחש כאשר מספר המקרים בכיתה אחת עולה באופן משמעותי על אלה שבשניה, חוסר איזון זה יכול להיות מודלים הטיהים כלפי מעמד הרוב, צמצום היכולת שלהם לזהות מקרים של מיעוט; אם FLT:0NIRFLT:1 הוא המספר הכולל של דגימות ו-FLT:2NLT3minalph:5 הוא המספר הכולל של דגימות ו- NLT=FLT=NLT=NLT=NLT=NLT=NLT=NLTIR) הוא מספר ה-FLT=NLT=NLTERIFLT=7

טכניקות ל- Handling Imמאזן

מספר טכניקות יכולות להפחית את ההשפעות של חוסר איזון נתונים.שיטות אלה יכולות להיות מסווגות באופן רחב לגישות ברמת נתונים ורמת אלגוריתם.

שיטות בעלות נתונים

  • (FLT:0)Oversampling: 1FLT) הגדלת דגימות מעמד המיעוט, לעתים קרובות באמצעות שיטות כמו SMOTE, אשר יוצרות נקודות נתונים סינתטיות המבוססות על דגימות מיעוט קיימות.
  • (ב) ,0) ,Undersampling: 1FLT: הפחתה של דגימות של רובים כדי לאזן את תחילת הנתונים, אשר עלולים לסכן את אובדן מידע יקר.
  • (ב) ,0) ,Hybrid גישות: FLT:1, שילוב oversampling ו undersampling כדי לייעל את מאזן הנתונים.

שיטות אלגורית'ם-לבאל

  • (ב) למידה רגישה:0 (Cost-רגישה:FLT:1) ,הרשמה עלויות חיקוי גבוהות יותר לשגיאות ייצוגיות מיעוט כדי להשפיע על המיקוד של המודל.
  • שיטות סודיות:0 (Ensemble Method: FLT:1, שימוש בטכניקות כמו שיפור זיהוי מעמד מיעוט.
  • (ב) ,0) קבלת החלטות: FLT:1 משנה את ההסתברות לחתוך לטובת תחזיות מיעוט.

יסודות מתמטיים

טכניקות רבות מופצות במושגים סטטיסטיים ומתמטיקה.לדוגמה, SMOTE יוצרת דגימות סינתטיות על ידי שילוב בין נקודות מיעוט:

(ב) ויקרא י"ד:2 ויקרא י"ד: ויקרא י"ד: ויקרא י"ד:2 ויקרא יט:2 ויקרא יט:2 ויקרא יט:

(ב) [17] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇