Klasse onbalans is een veel voorkomende uitdaging in machine learning waar een klasse aanzienlijk in de minderheidsklasse overtreft. Deze onbalans kan leiden tot bevooroordeelde modellen die slecht presteren op minderheidsklassen.

Begrijpen van klasse onbalans

Klasse onbalans treedt op wanneer de verdeling van klassen in een dataset ongelijk is. Bijvoorbeeld, bij fraude detectie, frauduleuze transacties zijn veel minder dan legitieme. Deze onbalans kan leiden tot modellen om de meerderheid klasse te bevorderen, het verminderen van de detectie van minderheid klasse instanties.

Technieken om klasse onbalans te verhelpen

Verschillende methoden kunnen helpen om problemen met klassenevenwicht te verminderen:

  • Resampling: Pas de dataset aan door minderheidsklassen te oversamplingeren of minderheidsklassen te onderschatten.
  • Synthetische gegevensgeneratie: Gebruik technieken zoals SMOTE om synthetische voorbeelden van minderheidsklassen te creëren.
  • Algoritmische benaderingen: Gebruik modellen die robuust zijn voor onbalans, zoals ensemblemethoden.
  • Cost-sensitive Learning: Geef hogere misclassificatiekosten toe aan minderheidsklassen.

Berekeningen voor het evalueren van de onbalans van klasse

Metrics helpen de omvang van onbalans en modelprestaties te kwantificeren.

  • Effectratio: Ratio van het aantal gevallen van meerderheid ten opzichte van minderheidsklasse.
  • Precisie en Herinnering: Meet de nauwkeurigheid van positieve voorspellingen en het vermogen om alle positieve instanties te vinden.
  • F1 Score: Harmonisch gemiddelde van precisie en terugroepbaarheid, waarbij beide metrieke waarden in evenwicht zijn.