Klasseubalanse er en vanlig utfordring i dyp læring der noen klasser har betydelig færre eksempler enn andre. Denne ubalansen kan føre til fordomsfrie modeller som fungerer dårlig på minoritetsklasser. Å håndtere dette problemet involverer teknikker som dataprøvetaking og kostnadsfølsom læring.

Dataprøvetakingsteknikker

Dataprøvetaking justerer fordelingen av opplæringsdata til balanse klasserepresentasjon. Vanlige metoder inkluderer oversampling minoritetsklasser og undersampling flertall klasser. Disse teknikkene hjelper modellen å lære likt fra alle klasser.

Kostnadsfølsom læring

Kostnadsfølsom læring tildeler høyere feilklassifiseringskostnader til minoritetsklasser. Denne tilnærmingen oppfordrer modellen til å gi mer oppmerksomhet til underrepresenterte klasser under trening, forbedre den totale ytelsen på ubalanserte datasett.

Implementasjonsstrategier

Effektive strategier inkluderer å kombinere dataprøvetaking med kostnadsfølsomme tapsfunksjoner. I tillegg kan teknikker som brennetap fokusere på opplæring i hard-to-classife eksempler, ytterligere lindre klasseubalanseproblemer.

  • Oversamler minoritetsklasser
  • Undersamler flertall klasser
  • Bruke klassevekter i tapsfunksjoner
  • Bruke brennstoftap