Klasse onbalans treedt op wanneer bepaalde klassen in een dataset aanzienlijk ondervertegenwoordigd zijn in vergelijking met anderen. Deze onbalans kan leiden tot slechte modelprestaties, vooral in taken zoals classificatie waar minderheidsklassen cruciaal zijn. Het aanpakken van klassenonbalans is essentieel voor het ontwikkelen van nauwkeurige en betrouwbare neurale netwerken.

Gemeenschappelijke technieken voor het aanpakken van klassenonevenwichtigheid

Verschillende methoden worden gebruikt om klassenonbalans in neurale netwerken te verminderen. Deze technieken kunnen individueel worden toegepast of gecombineerd voor betere resultaten.

Methoden op gegevensniveau

De gegevensniveaubenaderingen wijzigen de dataset om klassendistributie in evenwicht te brengen.

  • Overname: Vergroting van het aantal minderheidsklassenmonsters, vaak door duplicatie of synthetische gegevensopwekking.
  • Ondergrondse steekproef: Het aantal monsters van de meerderheidsklasse verminderen om de minderheidsklassen te vergelijken.
  • MOTE: Synthetische minderheidsoversamplingtechniek creëert nieuwe synthetische voorbeelden voor minderheidsklassen.

Algoritme-niveautechnieken

Deze methoden wijzigen het leeralgoritme om onbalanse gegevens beter te verwerken. Voorbeelden zijn:

  • Kostengevoelig leren: Geeft hogere misclassificatiekosten voor minderheidsklassen.
  • Focal Loss: Focuseert training op moeilijk te classificeren voorbeelden, waardoor de impact van eenvoudige negatieven wordt verminderd.

Voorbeelden van gegevens uit de reële wereld

Bij medische diagnose bevatten datasets vaak minder positieve gevallen. Het toepassen van oversampling of SMOTE kan modelgevoeligheid verbeteren. Bij fraudedetectie, waar frauduleuze transacties zeldzaam zijn, helpt kostengevoelig leren het model om deze gevallen effectief te identificeren.