Risolvere i problemi di equilibratura della classe nell'apprendimento profondo con l'apprendimento di dati e l'apprendimento sensibile ai costi

Lo squilibrio di classe è una sfida comune nell'apprendimento profondo, dove alcune classi hanno significativamente meno esempi di altri, che può portare a modelli biased che svolgono scarsamente sulle classi minoritarie.

Tecniche di campionamento dati

I metodi comuni includono le classi di minoranza sovracampionamento e le classi di maggioranza sottosampling, che aiutano il modello a imparare altrettanto da tutte le classi.

Apprendimento sensibile ai costi

L'apprendimento sensibile al costo assegna maggiori costi di disclassificazione alle classi minoritarie, che incoraggia il modello a prestare maggiore attenzione alle classi sottorappresentate durante la formazione, migliorando le prestazioni generali sui set di dati squilibri.

Strategie di attuazione

Le strategie efficaci includono la combinazione di campionamento dei dati con funzioni di perdita sensibile ai costi, oltre a tecniche come la perdita focale possono focalizzare la formazione su esempi difficili da classificare, mitigando ulteriormente i problemi di squilibrio di classe.