Ketidakseimbangan kelas kineroid terjadi ketika kelas tertentu dalam suatu dataset secara signifikan diwakilkan dibandingkan dengan yang lain. Ketidakseimbangan ini dapat menyebabkan kinerja model yang buruk, terutama dalam tugas-tugas seperti klasifikasi di mana kelas minoritas kritis. Ketidakseimbangan kelas yang ditujukan sangat penting untuk mengembangkan jaringan saraf yang akurat dan dapat diandalkan.

Teknik Umum Teknik Teknik Teknik untuk Mengalamatkan Keseimbangan Kelas

Beberapa metode morfol digunakan untuk memitigasi ketidakseimbangan kelas dalam jaringan saraf Teknik ini dapat diterapkan secara individual atau dikombinasikan untuk hasil yang lebih baik.

Metode Aras-Data

Pendekatan tingkat-data oleauless memodifikasi dataset untuk menyeimbangkan distribusi kelas. Ini termasuk:

  • [[NOLT:0]]Oversampling: Meningkatnya jumlah sampel kelas minoritas, sering kali melalui duplikasi atau pembuatan data sintetis.
  • ELURN Undersampelling: Menuding jumlah sampel kelas mayoritas untuk mencocokkan kelas minoritas.
  • SMOTE: Minoritas Sintetis Teknik Penampasan-Asam menghasilkan contoh sintetik baru untuk kelas minoritas.

Teknik Algoritma - Algoritma

Metode-metode ini memodifikasi algoritma pembelajaran untuk menangani data yang tidak seimbang dengan lebih baik. Contoh-contohnya:

  • [[LRT:0]]Cost-sensitive learning:Umpukkan biaya misklasifikasi yang lebih tinggi ke kelas minoritas.
  • Focal Loss: Fokus pelatihan pada contoh hard-to-classify, mengurangi dampak dari negatif mudah.

Contoh Data Real-Dunia

Dalam diagnosis medis, dataset sering kali mengandung lebih sedikit kasus positif. Menerapkan oversampling atau SMOTE dapat meningkatkan kepekaan model. Dalam deteksi penipuan, di mana transaksi penipuan jarang terjadi, pembelajaran yang sensitif biaya membantu model memprioritaskan identifikasi kasus-kasus ini secara efektif.