Небалансовані дані є загальним викликом в машинному навчанні, де один клас істотно незрівнянний інші. Цей баланс може призвести до з'єднання моделей, які виконують погано на неповнолітніх класих. Реалізація ефективних методів може допомогти поліпшити модель справедливості і точності.

Розуміння даних

Небаланс даних відбувається, коли розподіл занять в даних, що є нерівномірним. Наприклад, при виявленні шахрайства, реальні операції, що значно незрівнянні шахрайські. Цей недолік може викликати моделі на користь більшості класів, зменшуючи їх здатність виявити екземпляри класу меншості.

Методика для імбалансування адреси

Кілька способів можна використовувати для зменшення дисбалансу даних:

  • Ремонт: Налаштування даних, що передається, меншості класи або підсмоктування більшості класів.
  • Synthetic Data Generation: Використовуйте алгоритми, такі як SMOTE для створення синтетичних прикладів класів меншин.
  • Algorithmic підходів: Моделі роботодавців, які властиво надійні для імбалансування, такі як методи ансамблю.
  • Cost-sensitive Learning: Призначте вищі витрати на визначення рівнянь для занять меншин при тренінгу.

Розрахунок для підвищення справедливості

Метричні речовини, такі як Точність, Нагадаємо, F1-Score допомагають оцінити продуктивність моделі на небалансованих даних. Розрахунок G-mean і AUC-ROC забезпечує розуміння балансу між чутливістю і специфічністю. Ці розрахунки регулюються для поліпшення справедливості.

Наприклад, F1-Score розраховується як:

F1 = 2 * (Повага * Резюлл) / (Познайомлення + Резюлл)

Оптимальна модель забезпечує виконання всіх класів, сприяння справедливості та надійності.