Ang pagiging di - timbang ng klase ay isang karaniwang hamon sa pagkatuto ng makina kung saan mas marami ang mga klase kaysa sa iba.

Pag - unawa sa mga Bagay na Di - gaanong Mahalaga

Halimbawa, sa pag - alam ng pandaraya, ang pandaraya ay mas kaunti kaysa sa lehitimong mga transaksiyon, kaya naman mas gusto ng karamihan ang mga modelo, anupat nababawasan ang pag - alam sa mga kaso ng mga minorya.

Mga Pamamaraan Upang Makausap ang mga Klase

Ang ilang paraan ay makatutulong upang malutas ang mga isyu tungkol sa di - pagkakatimbang ng klase:

  • [Pampasa: [14] Ibagay ang dataset sa pamamagitan ng labis na pag-aalsa ng mga klaseng minorya o hindi pa nailalapat na mga klase ng nakararami.
  • [[[Categic Data Generation: Gamitin ang mga pamamaraang tulad ng SMOTE upang lumikha ng mga sintetikong halimbawa ng mga klaseng minorya.
  • Algorithmic Accesses: Mga modelong pang-empleyo na matibay sa hindi balanseng mga pamamaraan, tulad ng mga ensembleang pamamaraan.
  • Cost-sensitive Learning: Asign inspect mas mataas na halaga ng maling pag-uuri sa mga klaseng minorya.

Mga Pagkalkula sa Pag - aalis ng mga Klase

Ang mga metriko ay tumutulong upang makalkula ang lawak ng di pagkakatimbang at paggawa ng modelo. Ang mga karaniwang kalkulasyon ay kinabibilangan ng:

  • Imbalance Ratio: Ratio ng bilang ng karamihan sa mga kaso ng minoryang klase.
  • [[[Talaksan:] Sinusukat ang katumpakan ng mga positibong prediksiyon at ang kakayahang makahanap ng lahat ng mga positibong pagkakataon.
  • F1 Score: Harmonikong kahulugan ng prekwensiya at pag-aalala, pagbalanse ng parehong mga metriko.