Sınıf dengesizliği, bir sınıfın diğerlerini önemli ölçüde saydığı makine öğreniminde yaygın bir meydan okumadır. Bu dengesizlik azınlık sınıflarda kötü performans gösteren önyargılı modellere yol açabilir. Etkili teknikleri uygulamak tahmin doğruluğunu ve modeli adilliği artırabilir.

Sınıf Imbalance

Sınıf dengesizliği, bir veri kümesindeki sınıfların dağılımının eşitsiz olduğu ortaya çıkar. Örneğin, dolandırıcılık tespitinde, sahte işlemler meşru olanlardan çok daha azdır. Bu dengesizlik, azınlık sınıf örneklerinin tespitini azaltmak için modellere neden olabilir.

Adres Sınıfı Imbalance'a Teknikler

Çeşitli yöntemler sınıf dengesizliği sorunlarını azaltmaya yardımcı olabilir:

  • [FONT:0)Resampling:[Dönetici:[Dönetici:0) Elde edilen azınlık sınıfları veya alt sınıflar çoğunluk sınıfları tarafından veri kümesini ayarlayın.
  • [FONT=0)Syn Data Generation:[Dönetici:[Dönetici:0) SMOTE gibi teknikleri azınlık sınıflarının sentetik örneklerini oluşturmak için kullanın.
  • [FONT:0)Algorithmic Approaches:), Ensemble yöntemleri gibi dengesizliğe karşı sağlam olan iş modellerine sahip.
  • [FONT=0]Cost-sensitive Learning:[Dönetici:[Dönetici: · 1) Daha yüksek yanlış sınıflaştırma maliyetleri azınlık sınıflara imza atar.

Evaluating Sınıfı Imbalance için hesaplamalar

Metrikler, dengesizlik ve model performansının boyutunu ölçmek için yardımcı olur. Ortak hesaplamalar şunları içerir:

  • [FONT=0]Imbalance Oran:[Dönetici: Azınlık sınıf örneklerine çoğunluk oranı.
  • [FONT:0)Öyleçme ve Recall:[Dönetici: 1) Olumlu tahminlerin doğruluğunu ve tüm olumlu örnekleri bulma yeteneğini ölçme.
  • [FONT=0)F1 Puanı:[Dönetici hassas ve hatırlanmıyor, hem metrikleri dengelemek.