Imbalanceed datasets, birçok gerçek dünya uygulamalarında yaygındır, dolandırıcılık tespiti, tıbbi tanı ve anomali tespiti gibi. Riske erişmek etkili makine öğrenme modellerini oluşturmak için önemlidir.Bu makale, matematiksel ilkelerin dengesiz verileri etkili bir şekilde ele alması için desteklenen pratik teknikler araştırıyor.

Data Imbalance

Veri dengesizliği, bir sınıfındaki örneklerin sayısını önemli ölçüde başka bir şekilde aşırken meydana gelir.Bu dengesizlik, azınlık sınıf örneklerini tespit etme yeteneklerini azaltır. Matematiksel olarak, eğer )N) toplam örnek ve eksiltme:2).N).[FLT: 5)[FLT: 5][D)[Dönetici sınıf örneklerinin sayısıdır.

Imbalance'ı işleme için teknikler

Çeşitli teknikler veri dengesizliğinin etkilerini azaltabilir. Bu yöntemler veri düzeyinde ve algoritma düzeyinde yaklaşımlara geniş ölçüde kategorize edilebilir.

Data-Level Yöntemleri

  • [FONT:0)Oversampling:[Dönler:[Dönler:[Dönler:[Dönler:) azınlık sınıf örneklerinin artırılması, genellikle mevcut azınlık örneklerine dayanan sentetik veri puanları üreten SMOTE gibi yöntemleri kullanarak.
  • [FONT:0)Öyleç:[Dönetici:[Döncü: 1) Ana sınıf örneklerini, değerli bilgileri kaybetme riski altında olan veri kümesini dengelemek için azaltın.
  • [FONT=0)Hybrid yaklaşımlar:[Döncükler:[Döncüler 1 ) Veri dengesini optimize etmek için aşırılık ve alt ölçeklendirmek.

Algorithm-Level Yöntemleri

  • [FONT=0]Cost-sensitive learning:[Dönetici:[Dönetici:0))))Yüksek yanlış sınıflama maliyetleri, modelin odaklanmasını etkileyen azınlık sınıf hatalarına imza atar.
  • [FONT:0)Ensemble yöntemleri:[Dönetici:[Dönetici:0) azınlık sınıf tespitini artırmak gibi teknikleri kullanmak.
  • [FONT:0) Karar eşlerini doğruluyor: Azınlık sınıf tahminlerini lehine kestirilebilme olasılığının.

Matematiksel Vakıflar

Birçok teknik istatistik ve matematiksel kavramlarda yer almaktadır. Örneğin, SMOTE, azınlık sınıf noktaları arasındaki interpolating ile sentetik örnekler yaratır:

[FONT:0)x)[[FONT:2)[FONT][/FONT][/FONT][/FONT)[FONT][/FONT][/FONT=)[FONT=[FONT][/FONT][/FONT][/FONT][/FONT)[FONT][/FONT][/FONT][/FONT=)[FONT][/FONT][/FONT=))

[FONT=0}x[DÜDÜDÜT:2]) ve [[Dönetici|Dönetici|seçmiş)[Dönetici: 0 ve 1. Bu yaklaşım, azınlık sınıfınun özelliği altında yatan sentetik verilerin dağılımının bütünlüklerini sağlar.[FLT: 7)[D][/FONT=[D][/FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=