Dezechilibrul clasei este o provocare comună în învățarea mașinilor, în care o clasă depășește în mod semnificativ alte clase. Acest dezechilibru poate duce la modele părtinitoare care funcționează prost pe clase minoritare. Implementarea unor tehnici eficiente poate îmbunătăți precizia predicției și corectitudinea modelului.

Înțelegerea dezechilibrului clasei

Dezechilibrul clasei apare atunci când distribuirea claselor într-un set de date este inegală. De exemplu, în detectarea fraudelor, tranzacțiile frauduloase sunt mult mai puține decât cele legitime. Acest dezechilibru poate determina modele să favorizeze clasa majoritară, reducând detectarea cazurilor de clasă minoritară.

Tehnici de abordare a dezechilibrului clasei

Mai multe metode pot contribui la atenuarea problemelor de dezechilibru de clasă:

  • Reamplere: Reglați setul de date prin supraeșalonarea claselor minoritare sau prin subeșantionarea claselor majoritare.
  • Generarea de date sintetice: Folosiți tehnici precum SMOTE pentru a crea exemple sintetice de clase minoritare.
  • Abordări algezitice: Angajați modele robuste la dezechilibru, cum ar fi metodele de asamblare.
  • Învăţare sensibilă la nivel superior: Atribuirea unor costuri mai mari de clasificare greşită pentru clasele minoritare.

Calcule pentru evaluarea dezechilibrului clasei

Metrica ajută la cuantificarea gradului de dezechilibru și a performanței modelului. Calculele comune includ:

  • Rat de dezechilibru:Rata numărului de cazuri de clasă minoritară.
  • Precizie și Rechemare: măsurați acuratețea predicțiilor pozitive și capacitatea de a găsi toate cazurile pozitive.
  • Scor F1: Media armonică a preciziei și a rechemarii, echilibrând ambele valori.