Небаланс класу є загальним викликом в машинному навчанні, де один клас істотно незрівнянний інші. Цей недолік може призвести до упереджених моделей, які виконують погано на заняттях неповнолітніх. Впровадження ефективних методів може поліпшити точність прогнозування та модель справедливість.

Розуміння образу класу

Небаланс класа виникає, коли розподіл занять в даних, що є нерівномірним. Наприклад, при виявленні шахрайських операцій набагато менше, ніж законних. Це небаланс може викликати моделі на користь більшості класів, зменшуючи виявлення екземплярів класу меншості.

Методика для імбалансування адресного класу

Кілька способів можна допомогти у вирішенні проблем збалансування класу:

  • Ремонт: Налаштування даних, що передається, меншості класи або підсмоктування більшості класів.
  • Synthetic Data Generation: Використання методів, таких як SMOTE для створення синтетичних прикладів класів меншин.
  • Algorithmic підходів: Моделі роботодавців, які є надійними для імбалансування, таких як ансамбльові методи.
  • Cost-sensitive Learning: Призначте вище витрати на визначення рівнянь до уроків меншості.

Розрахунок за визначення розміру

Метричні речовини допомагають кількісно визначити ступінь дисбалансу та виконання моделі. До складу розрахунків відносяться:

  • Imbalance Ratio: Ратио число більшості до екземплярів класу меншості.
  • Precision and Recall: Заміряйте точність позитивних прогнозів і можливість знайти всі позитивні екземпляри.
  • F1 Оцінка: Harmonic означає точність і згадку, балансування як метрика.