การ เข้า ถึง ตัว เอง อย่าง เป็น ประโยชน์

การ จัด การ ข้อมูล ที่ ไม่ สมดุล เป็น เรื่อง ท้าทาย ทั่ว ไป ใน การ เรียน รู้ ของ เครื่อง กล.

การเข้าใจข้อมูลความไม่สมดุล

การ ยอม รับ ว่า ความ ไม่ สมดุล นี้ เป็น ขั้น ตอน แรก ที่ จะ พูด ถึง เรื่อง นั้น อย่าง มี ประสิทธิภาพ

ข้อมูลของข้อมูล- level Techniques

เทคนิคระดับข้อมูล ปรับข้อมูลชุดเพื่อการกระจายของคลาสสมดุล

• [FLT: 0] oversampling: เพิ่มจํานวนตัวอย่างชนชั้นย่อยที่เพิ่มขึ้น บ่อยครั้งใช้เทคนิคเช่น SMOTE.
• [FLT: 0] translamping: จัดเรียงตัวอย่างชนชั้นส่วนใหญ่ให้ตรงกับขนาดชนชั้นย่อย
• [FLT: 0] Data Augmentation: การสร้างตัวอย่างสังเคราะห์ใหม่เพื่อเพิ่มตัวแทนชนชั้นชนกลุ่มน้อย

อัลกอริธึม- เลเวล strities

การ ปรับ วิธี การ เรียน รู้ ยัง อาจ ทํา ให้ การ เรียน อยู่ ใน ระดับ ไม่ สมดุล ได้ ด้วย.

• [FLT: 0] การเรียนรู้ที่ละเอียดอ่อน : กําหนดค่าธรรมเนียมการแบ่งชนชั้นที่สูงกว่า ค่าใช้จ่ายสําหรับกลุ่มชนกลุ่มน้อยผิดพลาด.
• [FLT: 0] ปลดปล่อยน้ําหนักชั้น: แก้ไขความสําคัญของชั้นเรียนระหว่างการฝึกโมเดล (พ.ศ.
• [FLT: 0] วิธีการ epsible: การจับคู่แบบจําลองหลาย ๆ แบบเพื่อปรับปรุงการตรวจสอบชนชั้นย่อย

เมตริกซ์การอพยพ

การ ใช้ เมทริก ที่ เหมาะ สม เป็น สิ่ง สําคัญ เพื่อ ประเมิน ประสิทธิภาพ ของ ตัว อย่าง ใน การ ทํา ข้อมูล ที่ ไม่ สมดุล.

• [FLT: 0]. preccession: สัดส่วนของบวกจริงจากจํานวนที่คาดการณ์ไว้
• [FLT: 0] เรียก: สัดส่วนของค่าบวกจริงระบุได้อย่างถูกต้อง
• [FLT: 0] F1 คะแนน : ค่าเฉลี่ยเสียงประกอบเสียง ความแม่นยําและความทรงจํา (พ.ศ.
• [FLT: 0] AUC-ROC: วัดความสามารถของโมเดลเพื่อแยกแยะระหว่างชั้นเรียน