Ang pagiging di - timbang ng klase ay isang karaniwang hamon sa malalim na pag - aaral, kung saan ang ilang klase ay may mas kakaunting sampol kaysa sa iba.

Pag - unawa sa mga Bagay na Di - gaanong Mahalaga

Ang di - pagkakatimbang ng klase ay nangyayari kapag ang pamamahagi ng mga klase sa isang dataset ay hindi pantay - pantay.

Mga Pamamaraan ng Pag - aaral ng Data

Ang pagdaragdag ng impormasyon ay nagsasangkot ng paggawa ng bagong mga sampol ng pagsasanay sa pamamagitan ng pagkakapit ng mga pagbabago sa umiiral na impormasyon. Ang pamamaraang ito ay tumutulong upang gawing timbang ang mga distribusyon ng klase at pagbutihin ang pagiging matatag ng modelo.

  • Mga pagbabago sa pag-ikot:, flips, cropping, at pagbabago sa kulay.
  • [[[Categic data generation: na gumagamit ng mga algorithm tulad ng SMOTE o GAN upang makagawa ng mga bagong sampol.
  • [[[[T:1]] Pinagsasama ang maramihang mga imahe o data points upang lumikha ng mga hybrid na sampol.
  • Dagdag na noise: na nagpapakilala ng bahagyang pagkakaiba sa umiiral na datos.

Praktikal na Pag - iisa

Ang paglalapat ng data replacement ay nangangailangan ng pag-unawa sa data type at pagpili ng mga angkop na pamamaraan. Para sa mga impormasyong imahe, ang mga pagbabago tulad ng mga ikot at flip ay epektibo. para sa data ng tabular, ang sintetikong sampol na mga pamamaraang pang-edukasyon tulad ng SMOTE ay maaaring gamitin. Mahalagang subaybayan ang epekto ng repliasyon sa modelong pagganap at iwasan ang labis na pag-aangkop.

Mga Pakinabang ng Pagpapalitan ng Data

Ang paggamit ng data supplementation ay maaaring humantong sa mas mahusay na model feature, mas mahusay na paglalahat, at nabawasang pagkiling sa karamihan ng mga klase.Ito ay isang praktikal na paraan upang mapaganda ang datasets nang hindi nangongolekta ng karagdagang datos, lalo na kapag ang koleksiyon ng datos ay magastos o hindi praktikal.