Sınıf dengesizliği, belirli bir veri kümesindeki dersler diğerleriyle kıyaslandığında meydana gelir. Bu dengesizlik, özellikle azınlık sınıflarının kritik olduğu sınıflandırma gibi görevlerde zayıf model performansına yol açabilir. Adresing class dengesizliği geliştirmek için gerekli olan doğru ve güvenilir sinir ağları.

Adres Sınıfı Imbalance için Common Techniques

Çeşitli yöntemler, sinir ağlarıdaki sınıf dengesizliği azaltmak için kullanılır. Bu teknikler bireysel olarak veya daha iyi sonuçlar için birleştirilebilir.

Data-Level Yöntemleri

Veri seviyesi yaklaşımları veri kümesini dengeleme sınıf dağıtımına değiştirir. Bunlar şunları içerir:

  • [FONT:0)Oversampling:[Dönler:[Dönler:[Dönler:[Dönler: 0,4] Azınlık sınıf örneklerini artırmak, genellikle füzyon veya sentetik veri nesli aracılığıyla.
  • [FONT:0)Öyleç:[Dönetici:[Döncü: 1) Azınlık sınıflarının azınlık sınıf örneklerini eşleştirmek için çoğunluk sınıf örneklerini azaltmak.
  • [FONT:0]SMOTE: [Dönetici Azınlık Üst üsteleme Teknikleri azınlık sınıfları için yeni sentetik örnekler yaratır.

Algorithm-Level Teknikleri

Bu yöntemler öğrenme algoritmasını daha iyi dengesiz verilerle değiştirmek. örnekler şunları içerir:

  • [FONT:0]Cost-sensitive learning:[Dönetici:[Dönetici:0)[Dönetici:[Dönetici:0))) Assigns daha yüksek yanlış sınıflaştırma maliyetleri azınlık sınıflara imzalar.
  • [FONT:0]Focal kaybı:[Dönetici:[Dönetici:0) Sert sınıflama örnekleri üzerinde yoğunlaşan yoğunlaşma, kolay negatiflerin etkisini azalt.

Gerçek Dünya Veri Örnekleri

Tıbbi tanıda, veri setleri genellikle daha az olumlu vakalar içerir. Aşırı veya SMOTE'yi uygulamak model duyarlılığı artırabilir. dolandırıcılık algılamasında, hileli işlemler nadir, maliyete duyarlı öğrenme bu vakaların etkili bir şekilde tanımlanmasına yardımcı olur.