Ketidakseimbangan Kelas adalah tantangan umum dalam pembelajaran mendalam di mana beberapa kelas memiliki contoh yang lebih sedikit secara signifikan dibandingkan yang lain. Ketidakseimbangan ini dapat menyebabkan model bias yang melakukan hal yang buruk pada kelas minoritas. Mengalamatkan masalah ini melibatkan teknik seperti pengsampelan data dan pembelajaran yang sensitif biaya.

Teknik Pengsampel Data

Data analisa madya menyesuaikan distribusi data pelatihan untuk menyeimbangkan perwakilan kelas. metode umum termasuk oversampel kelas minoritas dan kelas mayoritas undersampel. teknik ini membantu model belajar sama dengan dari semua kelas.

Pembelajaran Besensitif Kos-Sensitif

Pembelajaran sensitif biaya menetapkan biaya misklasifikasi yang lebih tinggi untuk kelas minoritas. pendekatan ini mendorong model untuk lebih memperhatikan kelas yang kurang terwakili selama pelatihan, meningkatkan kinerja secara keseluruhan pada dataset yang tidak seimbang.

Berbagai Strategi Implementasi

Strategi-strategi efektif antara lain menggabungkan data sampling dengan fungsi kehilangan yang sensitif terhadap biaya.Selain itu, teknik seperti kehilangan fokus dapat memfokuskan pelatihan pada contoh-contoh hard-to-classify, lanjut mitigasi masalah ketidakseimbangan kelas.

  • ¡Firquino Oversampel kelas minoritas
  • Golongan mayoritas yang kurang sempurna
  • Terapkan pemberat kelas dalam fungsi kehilangan
  • Bahasa Inggris Menggunakan kehilangan fokus