特定のクラスが他のクラスと比較して、データセットのクラスが著しく表現されていない場合に、クラス不均衡が起こります。この不均衡は、特にマイナーなクラスが重要である分類のようなタスクで、モデルのパフォーマンスが悪い可能性があります。クラスの不均衡に対処することは、正確で信頼性の高いニューラルネットワークを開発するために不可欠です。

クラス・インバランスを接する共通のテクニック

神経ネットワークのクラス不均衡を緩和するために、いくつかの方法が使用されます。 これらの技術は、個別に適用するか、より良い結果のために組み合わせることができます。

データレベルのメソッド

データレベルのアプローチは、データセットをバランスの取れるクラス分布に変更します。以下が含まれます。

  • :]]] 重複または合成データ生成による少数のクラスのサンプルの数を増加させる。
  • []アンダーサンプリング:]]] マイナーなクラスと一致する大多数のクラスのサンプルの数を減らす。
  • SMOTE:]合成マイナー性オーバーサンプリング技術により、マイナーなクラスに新しい合成例が生成されます。

アルゴリズムレベルのテクニック

これらのメソッドは、学習アルゴリズムを変更して、不均衡なデータを処理するようにします。例は次のとおりです。

  • 集中学習:] は、より高な誤解を発足するクラスにコストを割り当てます。
  • 焦点損失:]] は、簡単な負の影響を減らす、ハードトトクラスの例のトレーニングに焦点を当てます。

リアルタイムデータ例

医療診断では、データセットはしばしば少数の肯定的な例を含んでいます。 過剰サンプリングまたはSMOTEを適用すると、モデルの感度を向上させることができます。 不正な検出では、不正な取引がまれである、費用対効果の高い学習は、これらの例を効果的に特定するモデルを優先順位付けするのに役立ちます。