Ketidakseimbangan Kelas adalah tantangan umum dalam pembelajaran mesin di mana satu kelas secara signifikan melebihi jumlah kelas lainnya. Ketidakseimbangan ini dapat menyebabkan model yang bias yang melakukan hal yang buruk pada kelas minoritas. Implementasi teknik efektif dapat meningkatkan ketepatan prediksi dan keadilan model.

Memahami Ketidakseimbangan Kelas

Ketidakseimbangan kelas nutfah terjadi ketika distribusi kelas dalam suatu dataset tidak merata. Misalnya, dalam deteksi penipuan, transaksi penipuan jauh lebih sedikit daripada yang sah. Ketidakseimbangan ini dapat menyebabkan model untuk mendukung kelas mayoritas, mengurangi deteksi instansi kelas minoritas.

Teknik Teknik untuk Mengimbalan Kelas Alamat

Beberapa metode dapat membantu mengatasi masalah ketidakseimbangan kelas:

  • Resampelling: Laras dataset oleh kelas minoritas oversampel atau kelas mayoritas undersampel.
  • Synthetic Data Generation: Gunakan teknik seperti SMOTE untuk membuat contoh sintetis dari kelas minoritas.
  • [[CharfLT:0]]Algoritmik Pendekatan: Model karyawan yang kuat untuk tidak seimbang, seperti metode ensemble.
  • [[Cest-sensitive Learning:Umpukkan biaya misklasifikasi yang lebih tinggi ke kelas minoritas.

Penghitungan Penghitungan untuk Mengorbankan Imbalan Kelas

Metriks morfolosis membantu mengkuantifikasi sejauh mana ketidakseimbangan dan kinerja model. perhitungan umum meliputi:

  • Nisbah Efactor Imbalansi Rasio: Rasio jumlah mayoritas ke instansi kelas minoritas.
  • [[EGALFLT:0]]Precision and Recall:Ukur ketepatan prediksi positif dan kemampuan untuk menemukan semua kejadian positif.
  • [[GANDAFLT:0]]F1 Skor: Harmonic mean of precision and recall, balancing kedua metrik.