ক্লাস ভারসাম্যহীনতা এবং পুনরায় নমুনাকরণ

শ্রেণী ভারসাম্যহীনতা হল যখন একটি ফলাফল অপরটির সংখ্যার চেয়ে অনেক বেশি - যেমন 99.9% বৈধ লেনদেন বনাম 0.1% জালিয়াতি - যা বিরল কিন্তু গুরুত্বপূর্ণ শ্রেণীকে উপেক্ষা করার জন্য মডেলদের প্রতারণা করে৷ রিস্যাম্পলিং ট্রেনিং ডেটার ভারসাম্য বজায় রাখে যাতে মডেলটি আসলে সংখ্যালঘুদের চিহ্নিত করতে শেখে।

যদি 99.9% ক্ষেত্রে নেতিবাচক হয়, একটি মডেল যেটি সর্বদা নেতিবাচক ভবিষ্যদ্বাণী করে শূন্য পজিটিভ ধরার সময় 99.9% নির্ভুলতা পায়, তাই নির্ভুলতা বিরল শ্রেণিতে সম্পূর্ণ ব্যর্থতা লুকিয়ে রাখে।

SMOTE (সিন্থেটিক মাইনরিটি ওভার-স্যাম্পলিং টেকনিক) সংখ্যালঘু বিন্দু এবং তার নিকটতম সংখ্যালঘু প্রতিবেশীদের মধ্যে আন্তঃপ্রবেশ করে নতুন সংখ্যালঘু উদাহরণ তৈরি করে, বরং তাদের নকল করে।

ক্লাস ওয়েটিং ডেটাকে অস্পৃশ্য রাখে এবং এর পরিবর্তে লস ফাংশনটি সংখ্যালঘু শ্রেণীতে ত্রুটিগুলিকে আরও বেশি দণ্ডিত করে।

বিভক্ত হওয়ার আগে পুনরায় নমুনা করা ট্রেন এবং পরীক্ষা উভয় সেটেই প্রায় অভিন্ন সংখ্যালঘু পয়েন্টগুলি উপস্থিত হতে দেয়, তথ্য ফাঁস করে এবং অত্যধিক আশাবাদী, অবাস্তব কর্মক্ষমতা তৈরি করে।

আন্ডারস্যাম্পলিং সংখ্যাগরিষ্ঠ উদাহরণগুলি ফেলে দিয়ে ক্লাসের ভারসাম্য বজায় রাখে, যা তথ্যমূলক ডেটা বাতিল করতে পারে এবং সংখ্যাগরিষ্ঠ শ্রেণী শেখার মডেলের ক্ষমতাকে ক্ষতিগ্রস্ত করতে পারে।