Sự mất cân bằng lớp học xảy ra khi một số lớp trong một bộ dữ liệu bị thiếu đi đáng kể so với người khác. Sự mất cân bằng này có thể dẫn đến thành tích kém, đặc biệt trong các công việc như phân loại lớp thiểu số là quan trọng. Việc phân biệt sự mất cân bằng giai cấp là thiết yếu để phát triển mạng thần kinh chính xác và đáng tin cậy.

Công nghệ thông thường đến hạng mục thứ hạng chính

Một số phương pháp được dùng để giảm thiểu sự mất cân bằng giai cấp trong mạng thần kinh.

Phương pháp lý giải dữ liệu

Mức độ dữ liệu đang tiến đến thay đổi bộ dữ liệu thành phân phối cân bằng giai cấp.

  • Quá trình mô phỏng: tăng số mẫu phân số, thường qua thế hệ dữ liệu ngẫu nhiên hay tổng hợp.
  • Dưới tái tạo số mẫu lớp đa số để khớp với lớp học thiểu số.
  • Người máy quá mức công nghệ kỹ thuật tạo ra những ví dụ tổng hợp mới cho các lớp học thiểu số.

Thuật toán- Lê Tinh vân

Những phương pháp này sửa đổi các thuật toán học để xử lý tốt hơn sự mất cân bằng dữ liệu. Ví dụ bao gồm:

  • Học tập nhạy cảm: gán chi phí phân loại cao hơn cho các lớp thiểu số.
  • Phụ đề được thực hiện bởi Động Phim - Cave Subbing Team ) Tập trung vào những ví dụ khó phân loại, giảm tác động của những âm tính dễ dàng.

Ví dụ dữ liệu thế giới thực

Trong các chẩn đoán y tế, các bộ dữ liệu thường chứa các trường hợp tích cực ít hơn. Áp dụng quá trình thu thập hoặc SMOTE có thể cải thiện sự nhạy cảm mô hình.