مشین سیکھنے میں ایک عام چیلنج ہے جس میں ایک کلاس کو دوسروں کو بہت زیادہ نقصان پہنچا سکتا ہے ۔

معلومات کو سمجھنا

مثال کے طور پر ، فریب‌کُن معلومات میں اکثر لوگوں کی اکثریت کو دھوکا دینے والے لوگوں کو زیادہ سے زیادہ تعداد میں مبتلا کرنے کی صلاحیت حاصل ہو سکتی ہے ۔

انٹرنیٹ پر دستیاب تکنیک

مِتَّغَفِّتِّا اعدادِ اَنَّا تَبْرَتَعَتَتَّعَتَتَّاًا فَلَّا فَتَعْلَتَتَّاًا فَعَلَتَّا فَتَتَعَتَتَّحْنَا:

  • دوبارہ شروع کرنے کی کوشش : زیادہ تر کم عمر یا زیریں جماعتوں کی جانب سے ڈیٹا سیٹ کو غیر معمولی درجہ بندی یا زیر استعمال اکثریتی جماعتوں سے اخذ کیا جاتا ہے۔
  • ] Sentinetic Data gene پیدائش:] ایل ٹی ایل ٹی کی طرح Alphabets کا استعمال کرتے ہوئے کم عمر طبقے کی مثالوں کو تخلیق کرنے کے لیے استعمال کیا جاتا ہے۔
  • ] الجبراً فی الغزالیۃ فی الفقہ: ایسے عامل ماڈل جو غیر فطری طور پر غیر معمولی طور پر غیر مستحکم ہیں، جیسے انسبل طریقے۔
  • Cost-senistive نژاد: تربیت کے دوران اعلیٰ غلط قسم کی شرحیں کم درجہ بندی کے اخراجات کو کم تر کلاسوں میں حل کرتی ہیں۔

خوبصورتی کو فروغ دینے کیلئے کُل‌وقتی خدمت

میٹرک جیسے پریبل، یادو اور ایف1 سکور غیر یقینی اعداد پر ماڈل کی کارکردگی کا تجزیہ کرنے میں مدد دیتا ہے۔کلکولنگ جی-مین اور اے او سی-آر یو سی کے درمیان حساسیت اور مخصوصیت کے درمیان توازن میں بصیرت فراہم کرتا ہے۔یہ حسابات درستی کے لیے اصلاحات فراہم کرتے ہیں۔

مثلاً ایف اے-سکورے کو بطور حساب دیا جاتا ہے:

[F1 = 2 * (Prestrict *) / (Prescription + یادو)]

ان میٹرکز کو یقینی بنانے سے ماڈل تمام کلاسوں میں اچھی طرح سے کام کرتا ہے ، انصاف اور اعتماد کو فروغ دیتا ہے ۔