Imbalanced verileri makine öğreniminde yaygın bir meydan okumadır, bir sınıf önemli ölçüde diğerlerini saymaktadır. Bu dengesizlik, azınlık sınıflarda kötü performans gösteren önyargılı modellere yol açabilir. Maliyete duyarlı öğrenme teknikleri bu konuyu yanlış sınıflamalara atamak için farklı maliyetler atamak, modeller azınlık sınıflara odaklanmaya yardımcı olabilir.
Imbalanced Data
Imbalanceed datasets, dolandırıcılık tespiti, tıbbi tanı ve spam filtreleme gibi çeşitli alanlarda meydana gelir. Bu durumlarda azınlık sınıfı genellikle daha önemli ama daha az temsil edilmektedir. Standart algoritmaları çoğunluk sınıfına yarar sağlar, azınlık sınıfı için düşük hatırlamaya eğilimlidir.
Maliyete duyarlı Öğrenme Teknikleri
Maliyete duyarlı öğrenme, farklı yanlış sınıflama maliyetleri için öğrenme sürecini değiştirmek içerir. Daha yüksek maliyetler azınlık sınıflarda hatalara atarak, modeller genel performansları artırmak için daha hassas hale gelir.
Ortak Yaklaşımlar
- [FONT:0]Weighted algoritmaları:[Dönetici:[Dönetici:0) Inpropalize sınıf ağırlıkları azınlık sınıflarının daha ağır bir şekilde yanlış sınıflandırılması için kayıp işlevine ağırlık verir.
- [FONT:0]Cost matriks:[Dönetici:[Dönetici:0)[Döneticileri) Tanımlamak, modelin toplam maliyetinin en aza indirmek için rehberlik etmek.
- [FONT=0)Sampling teknikleri:[Dönetici:[Dönetici:0)Veri kümesini dengelemek için aşırı hassas yöntemler birleştirin.