Qu'est-ce que le problème de déséquilibre des classes

Quel est le problème de déséquilibre des classes? C'est le problème de l'apprentissage automatique où le nombre total d'une classe de données (positif) est bien inférieur au nombre total d'une autre classe de données (négative).

1. Qu'est-ce que cela signifie par problème de déséquilibre de classe?
2. Quel est l'exemple de déséquilibre des classes?
3. Qu'est-ce que le déséquilibre des classes et comment gérez-vous?
4. Quel est le problème de déséquilibre des classes et pourquoi c'est un défi pour la prédiction?

Qu'est-ce que cela signifie par problème de déséquilibre de classe?

Le problème de déséquilibre des classes se produit généralement lorsqu'il y a beaucoup plus d'instances de certaines classes que d'autres. Dans de tels cas, les classificateurs standard ont tendance à être submergés par les grandes classes et à ignorer les petits.

Quel est l'exemple de déséquilibre des classes?

Le déséquilibre de classe est normal et attendu dans les applications ML typiques. Par exemple: dans la détection de fraude par carte de crédit, la plupart des transactions sont légitimes et seule une petite fraction est frauduleuse. Dans la détection du spam, c'est l'inverse: la plupart des e-mails envoyés dans le monde aujourd'hui sont le spam.

Qu'est-ce que le déséquilibre des classes et comment gérez-vous?

L'une des techniques de déséquilibre de classe largement adoptées pour faire face à des ensembles de données très 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).

Quel est le problème de déséquilibre des classes et pourquoi c'est un défi pour la prédiction?

La classification déséquilibrée est spécifiquement difficile en raison de la distribution de classe gravement biaisée et des coûts de classification inégaux. La difficulté de classification déséquilibrée est aggravée par des propriétés telles que la taille de l'ensemble de données, le bruit d'étiquette et la distribution des données.