Небаланс класа виникає при певних класах в даних, значно недоотримані порівняно з іншими. Цей дисбаланс може призвести до низької продуктивності моделі, особливо в задачах, таких як класифікація, де критичні класи меншості. Небалансування класу є важливим для розробки точних і надійних нейромереж.

Загальні методи для імбалансування адресного класу

Для зменшення рівня складності в нейромережах використовуються декілька методів. Ці методи можна застосовувати індивідуально або комбіновано для кращих результатів.

Методи обробки даних

Дані-рівневі підходи до зміни показників до розподілу рівня балансу. До них відносяться:

  • Повершено:] Підвищення кількості зразків класу меншості, часто через дублювання або синтетичне покоління даних.
  • Універсал: Зменшення кількості зразків класів для узгодження класів меншин.
  • SMOTE: Синтетична техніка задишування надкомплінгом створює нові синтетичні приклади для класів меншин.

Технології Algorithm-Level

Ці методи модифікують алгоритм навчання для кращого використання даних, що небалансовані. Приклади включають:

  • Кост-чутливе навчання: Призначає вищі витрати на визначення рівнянь до уроків меншості.
  • Фокал Лос: Focuses training on hard-to-classify приклади, зменшення впливу легкого негативного впливу.

Приклади даних реальних даних

У медичній діагностиці дані часто містять менше позитивних випадків. Застосування перенапруги або SMOTE може підвищити чутливість моделі. При виявленні шахрайських операцій часто зустрічаються, економічно економічне навчання допомагає моделі ефективно визначати ці випадки.