Boş veri setleri makine öğreniminde yaygın bir meydan okumadır. Bir sınıf önemli ölçüde diğerlerini fark ettiğinde, modeller önyargılı olabilir, azınlık sınıflarda kötü performansa yol açabilir. Pratik stratejileri uygulama doğruluk ve adalet geliştirebilir.

Imbalanced Datasets'leri Anlamak

Sınıfların dağılımının eşit olmadığı bir dengesizlik meydana gelir. Örneğin, dolandırıcılık tespitinde, sahte işlemler meşru olanlara kıyasla nadir görülür. Bu dengesizliğin tanınması, etkili bir şekilde ele alınması için ilk adımdır.

Data-Level Teknikleri

Data- level teknikleri, veri kümesini dengeleme sınıf dağıtımına değiştirir. Common methods şunları içerir:

  • [FONT:0)Oversampling:[Dönler:[Dönler:[Dönler:[Dönler:[Dönler:[Dönler:[Dönler:) Azınlık sınıf örneklerini artırmak, genellikle SMOTE gibi teknikleri kullanmak.
  • [FONT:0)Öyleç:[Dönetici:[Döncü: · 1 ) Azınlık sınıf büyüklüğüne uymanın çoğunluk sınıf örneklerini yeniden azaltın.
  • [FONT:0)Data Augmentation:[[Dönetici:0) azınlık sınıf gösterimini geliştirmek için yeni sentetik örnekler oluşturmak.

Algorithm-Level Strategies

Öğrenme algoritmasının belirlenmesi de sınıf dengesizliği ele alabilir. Teknikler şunları içerir:

  • [FONT=0]Cost-sensitive learning: Daha yüksek yanlış sınıflaştırma maliyetleri azınlık sınıf hatalarına imza atan olarak.
  • [FONT:0] Sınıf ağırlıkları:[Dönetici:[Dönlendirme: 1) Model eğitimi sırasında sınıfların önemini Değiştirin.
  • [FONT:0)Ensemble yöntemleri:[Dönetici:[Dönetici:0) Azınlık sınıf tespitini geliştirmek için birden çok model bir araya getirmek.

Değerlendirme Topları

Uygun ölçümler kullanarak, dengesiz veriler üzerinde modelleme performansını değerlendirmek önemlidir. Common metrics şunları içerir:

  • [FONT:0) Sonuç:[Dönetici:[Dönetici:0) Doğru pozitiflerin oranı.
  • [FONT:0)Recall:[Dönetici:[Dönetici:0) Gerçek pozitiflerin oranı doğru şekilde tespit edilmiştir.
  • [FONT=0)F1 Puanı:[Dönetici:[Dönetici:0)
  • [FONT:0]AUC-ROC:[Dönetici:[Dönetici:0)[Dönler:[Dönler:)|Ders arasında ayrım yapma yeteneği.