Dezechilibrul clasei este o provocare comună în învățarea profundă în cazul în care unele clase au în mod semnificativ mai puține exemple decât altele. Acest dezechilibru poate duce la modele părtinitoare care funcționează prost pe clase minoritare. Abordarea acestei probleme implică tehnici, cum ar fi prelevarea de date și învățarea sensibilă la costuri.

Tehnici de eșantionare a datelor

Prin sondajul de date se ajustează distribuirea datelor de formare pentru a echilibra reprezentarea clasei. Metodele comune includ clase minoritare supraeșantionare și clase de majoritate subeșantionare. Aceste tehnici ajută modelul să învețe în mod egal din toate clasele.

Învățare sensibilă la costuri

Învățarea sensibilă la costuri atribuie clase minoritare costuri mai mari de clasificare greșită. Această abordare încurajează modelul să acorde mai multă atenție claselor subreprezentate în timpul formării, îmbunătățind performanța generală a seturilor de date dezechilibrate.

Strategii de implementare

Strategiile eficiente includ combinarea eşantionării datelor cu funcţiile de pierdere sensibile din punct de vedere al costurilor. În plus, tehnici precum pierderea focală pot concentra formarea pe exemple greu de clasificat, atenuând în continuare problemele de dezechilibru de clasă.

  • Excesul claselor minoritare
  • Subeșantionarea claselor majoritare
  • Aplicarea greutăților clasei în funcțiile de pierdere
  • Utilizarea pierderii focale