Lo squilibrio di classe è una sfida comune nell'apprendimento automatico dove una classe supera significativamente gli altri. Questo squilibrio può portare a modelli biased che svolgono scarsamente sulle classi minoritarie.

Comprendere l'equilibrio di classe

Lo squilibrio di classe avviene quando la distribuzione di classi in un dataset è irregolare, ad esempio, nel rilevamento di frodi, le transazioni fraudolente sono molto meno di quelle legittime, questo squilibrio può causare modelli a favore della classe di maggioranza, riducendo il rilevamento di istanze di classe minoritaria.

Tecniche per affrontare Classe Imbalance

Diversi metodi possono aiutare a mitigare i problemi di squilibrio di classe:

  • Risorsa:[] Regolare il set di dati tramite sovracampionamento delle classi minoritarie o sottocampionamento delle classi di maggioranza.
  • Generazione di dati sintetici:[] Usare tecniche come SMOTE per creare esempi sintetici di classi minoritarie.
  • Accostamenti algoritmici:[ Modelli di vuoto che sono robusti allo squilibrio, come i metodi di ensemble.
  • Imparare a costi sensibili:[ Assegnare maggiori costi di errazionalizzazione alle classi minoritarie.

Calcoli per la valutazione dell'equilibrio di classe

I calcoli aiutano a quantificare l'entità dello squilibrio e delle prestazioni del modello.

  • Rapporto di equilibratura:[ Rapporto del numero di maggioranza alle istanze di classe minoritaria.
  • Precisione e Richiamo:[ Misurare l'accuratezza delle previsioni positive e la capacità di trovare tutte le istanze positive.
  • F1 Punteggio:[ Mezzo armonico di precisione e richiamo, bilanciando entrambe le metriche.