Données de séries chronologiques déséquilibrées

1. Comment gérez-vous les données de séries chronologiques déséquilibrées?
2. Quel est le problème avec les données déséquilibrées?
3. Quelle est la meilleure approche pour gérer un ensemble de données déséquilibré?

Comment gérez-vous les données de séries chronologiques déséquilibrées?

Une solution courante pour le problème général de l'exploitation des ensembles de données déséquilibrés est de recourir à des stratégies de rééchantillonnage. Ces stratégies modifient la distribution des données d'apprentissage afin d'équilibrer le nombre de cas rares et normaux, tentant de réduire l'asymétrie des données.

Quel est le problème avec les données déséquilibrées?

Les données déséquilibrées sont un problème courant dans l'apprentissage automatique, ce qui apporte des défis à la corrélation, à la séparation et à l'évaluation des classes, et entraîne une mauvaise performance du modèle.

Quelle est la meilleure approche pour gérer un ensemble de données déséquilibré?

Une méthode largement adoptée et peut-être la plus simple pour faire face à des ensembles de données hautement déséquilibrés est appelé rééchantillonnage. Il consiste à éliminer les échantillons de la classe majoritaire (sous-échantillonnage) et / ou à ajouter plus d'exemples de la classe minoritaire (sur-échantillonnage).