Ang hindi pagkakatimbang ng klase ay isang karaniwang hamon sa malalim na pag-aaral kung saan ang ilang mga klase ay may malaking mas kaunting mga halimbawa kaysa sa iba. Ang hindi balanseng ito ay maaaring humantong sa may kinikilingang mga modelo na hindi mahusay gumawa sa mga klaseng minorya. ang pag-uusap sa isyung ito ay kinasasangkutan ng mga pamamaraan gaya ng mga data disposure at mga gastos-sensitive na pagkatuto.

Mga Pamamaraan ng Paghahabol sa Data

Ang mga halimbawa ng impormasyon ay nag - aayos ng pamamahagi ng mga impormasyon sa pagsasanay upang maging timbang ang representasyon ng klase.

Magastos-sensitive Learning

Ang pag-aaral na cost-sensitive ay nag-aatas ng mas mataas na mga halaga ng misclassification sa mga klaseng minorya. Ang pamamaraang ito ay humihikayat sa modelo na magbigay ng higit na pansin sa mga underrepresentated na klase sa panahon ng pagsasanay, pagpapabuti ng kabuuang pagganap sa hindi balanseng datasets.

Mga Estratehiya sa Pag - aasawa

Kabilang sa epektibong mga estratehiya ang pagsasama ng mga data parasite sa mga features na features. Karagdagan pa, ang mga pamamaraan tulad ng focus loos ay maaaring magtuon ng pagsasanay sa mga hard-to-classipy halimbawa, karagdagang mitigathing mga isyu ng di balanse ng klase.

  • Pagdaig sa mga klase ng minorya
  • Pag - unti ng karamihan sa mga klase
  • Pagkakapit ng mga timbang ng klase sa mga gawaing pagkawala
  • Paggamit ng pagtutuon ng pansin