バランスの取れたデータは、機械学習の一般的な課題であり、その1つのクラスは他の数を著しくアウト数する。この不均衡は、少数のクラスで不公平なモデルを導くことができます。コスト感度の高い学習技術は、異なるコストを割り当て、モデルが少数のクラスに焦点を合わせ、この問題に対処します。

バランスの取れたデータについて

不正検知、医療診断、スパムフィルタリングなどのさまざまな分野において、不均衡なデータセットが発生します。この場合、マイノリティクラスはより重要であり、あまり表されません。標準アルゴリズムは、大部分のクラスを好む傾向があり、マイノリティクラスを低リコールします。

コスト感度学習テクニック

コスト感度学習は、学習プロセスを異なる誤解費用を考慮に入れることを変更することを含みます。 少数のクラスでエラーを発せたコストを高額に割り当てることで、モデルはこれらのクラスにより敏感になり、全体的なパフォーマンスを向上させます。

共通のアプローチ

  • 緩和されたアルゴリズム:[]] クラスの重みを、より重大な少数民族クラスの誤りをペナルトさせる損失関数に組み込む。
  • コストを各タイプ指定する行列を定義し、モデルをガイドして合計コストを最小限にします。
  • []サンプリング技術:[]]]]は、データセットのバランスをとり、過密なコスト感度の高いメソッドを組み合わせます。