ความ ไม่ สมดุล นี้ อาจ นํา ไป สู่ การ ทํา แบบ จําลอง ที่ ไม่ มี อคติ ซึ่ง ทํา ให้ คน ใน รุ่น มี จํานวน น้อย ลง เทคนิค ที่ มี ประสิทธิภาพ จะ ช่วย ปรับ ปรุง ความ ยุติธรรม และ ความ แม่นยํา ของ รุ่น ได้

การเข้าใจข้อมูล

การ ทํา ธุรกิจ แบบ ไม่ สมดุล แบบ นี้ อาจ ทํา ให้ คน ส่วน ใหญ่ ชอบ คน ส่วน ใหญ่ โดย ลด ความ สามารถ ของ พวก เขา ที่ จะ ตรวจ สอบ ตัว อย่าง การ ทํา ธุรกิจ ใน ชั้น เรียน ชน กลุ่ม น้อย.

เทคนิกถึงที่อยู่ความไม่สมดุล

หลายวิธีสามารถใช้เพื่อลดความไม่สมดุลของข้อมูลได้:

  • [FLT: 0] สืบค้น: ปรับเปลี่ยนข้อมูลโดยเพิ่มข้อมูลการสอนระดับชนกลุ่มน้อยหรือต่ํากว่าชั้นชั้นส่วนใหญ่
  • [FLT: 0] Synthetic data genage: ใช้อัลกอริทึมเช่น SMOTE เพื่อสร้างตัวอย่างสังเคราะห์ของชนกลุ่มน้อย (SMOTE)
  • [FLT: 0] เข้าถึงระบบภาษา: รุ่นงานที่แข็งแรงและไม่สมดุล เช่น วิธีการประกอบ
  • [FLT: 0] การเรียนรู้ที่ละเอียดอ่อน : กําหนดค่าใช้จ่ายระดับที่ผิดพลาดสูงขึ้นให้แก่กลุ่มชนกลุ่มน้อยระหว่างการฝึก พ.ศ.

การ คํานวณ เพื่อ ปรับ ปรุง ความ ยุติธรรม

การวัด เช่น การประมวลผล, เรียกคืน, และ F1-Scor ช่วยประเมินผลการประมวลผลแบบจําลองของข้อมูลไม่สมดุล การคํานวณ G-Man และ AUC-ROC ให้ความเข้าใจในสมดุลระหว่างความไวและความจําเพาะ แนวทางการคํานวณนี้ปรับการปรับปรุงความเที่ยงตรง

ตัวอย่างเช่น คะแนน F1-Score ถูกคํานวณเป็น:

[FLT: 0] F1 = 2 * (Prescision *) / (Prescision + อนุสรณ์)

การตั้งโปรแกรมเหล่านี้ให้เหมาะสม ต้นแบบจะทําหน้าที่ได้ดีตลอดทุกชั้นเรียน ส่งเสริมความยุติธรรมและความน่าเชื่อถือ