Ang mga datos na imbalanced ay isang karaniwang hamon sa pag-aaral ng makina, kung saan ang isang klase ay malaki ang kahigitan sa iba. Ang hindi balanseng ito ay maaaring humantong sa mga may kinikilingang modelo na hindi mahusay na gumagawa sa mga klaseng minorya. Cost-sentible na mga pamamaraan sa pagkatuto ay tumatalakay sa isyung ito sa pamamagitan ng pag-aatas ng iba't ibang halaga sa mga maling klasipikasyon, na tumutulong sa mga modelo na nakatuon sa mga klaseng minorya.

Ang Pagkaunawa sa Di - Rebaberadong Data

Ang mga inbalanyang dataset ay nangyayari sa iba't ibang larangan tulad ng pag-aanalisa ng pandaraya, pagsusuri ng medisina, at spamlain. Sa mga kasong ito, ang klaseng minoridad ay kadalasang mas mahalaga ngunit hindi gaanong kinakatawan.Ang mga Standard algorithm ay tila pumapabor sa karamihang klase, na nagbubunga ng mababang pag-aalala para sa klaseng minorya.

Magastos na Pamamaraan sa Pagkatuto

Ang cost-sensitive learning ay kinasasangkutan ng pagbabago sa proseso ng pagkatuto upang magsanhi ng iba't ibang mga halaga ng misclassification. Sa pag-aatas ng mas mataas na halaga sa mga pagkakamali sa mga klaseng minorya, ang mga modelo ay nagiging mas sensitibo sa mga klaseng ito, na pinabubuti ang pangkalahatang pagganap.

Karaniwang mga Paraan

  • [[Talaksan] Mga algorithm: Ang mga incorporate class weights sa pagkawala ay gumagana upang mas mabigat na parusahan ang maling klasipikasyon ng mga klaseng minorya.
  • Cost marices: Binigyang kahulugan ang isang matrix na nagtatakda sa halaga ng bawat uri ng maling pag-uuri, na gumagabay sa modelo upang mabawasan ang kabuuang halaga.
  • Mga pamamaraan ng pag-aalsa: Pinagsama-sama ang mga pamamaraang gastos-sensitive na may labis na pag-ebolb o pag-undersam upang balansehin ang dataset.