이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

Data Imbalance에 대한 이해

데이터 불균형은 데이터 세트의 클래스의 배포가 무효할 때 발생합니다. 예를 들어, 사기 탐지, 정품 거래가 광대하게 outnumber 사기성 일체화됩니다. 이 불균형은 모델이 대다수의 클래스를 선호할 수 있으므로 소수의 클래스 인스턴스를 감지 할 수 있습니다.

Imbalance에 대한 기술

몇몇 방법은 자료 불균형을 mitigate에 사용될 수 있습니다:

  • Resampling:)는 미성년자 클래스를 과감하게 하거나 대부분의 클래스를 습득하여 dataset을 조정합니다.
  • Synthetic Data Generation:] SMOTE와 같은 알고리즘을 사용하여 미성년성 클래스의 합성 예제를 만듭니다.
  • Algorithmic Approaches: ensemble 메서드와 같은 불균형에 단단하게 튼튼한 실종 모델.
  • Cost-sensitive Learning: 훈련 중 소수성 수업에 더 높은 misclassification cost를 할당합니다.

공정성을 개선하기 위해 계산

정밀, 리콜, F1-Score와 같은 미터는 모델 성능을 불균형 데이터에 평가하는 데 도움이. G-mean과 AUC-ROC를 계산하는 것은 감도와 특이성 사이의 균형으로 통찰력을 제공합니다. 이 계산 가이드 조정은 공정성을 개선합니다.

예를 들어, F1-Score는 다음과 같이 계산됩니다.

F1 = 2 * (예 : * 회신) / (예 : + 회신) [[FLT :1]]

이 메트릭을 최적화하면 모델은 모든 클래스에서 잘 수행되며 공정성과 신뢰성을 향상시킵니다.