कक्षा असंतुलन और पुन: नमूनाकरण

वर्ग असंतुलन तब होता है जब एक परिणाम की संख्या दूसरे से बहुत अधिक हो जाती है - जैसे 99.9% वैध लेनदेन बनाम 0.1% धोखाधड़ी - जो मॉडलों को दुर्लभ लेकिन महत्वपूर्ण वर्ग की अनदेखी करने के लिए प्रेरित करता है। पुन: नमूनाकरण प्रशिक्षण डेटा को पुनर्संतुलित करता है ताकि मॉडल वास्तव में अल्पसंख्यक को पहचानना सीख सके।

यदि 99.9% मामले नकारात्मक हैं, तो एक मॉडल जो हमेशा नकारात्मक की भविष्यवाणी करता है उसे शून्य सकारात्मकता को पकड़ते हुए 99.9% सटीकता मिलती है, इसलिए सटीकता दुर्लभ वर्ग पर कुल विफलता को छुपाती है।

एसएमओटीई (सिंथेटिक माइनॉरिटी ओवर-सैंपलिंग तकनीक) किसी अल्पसंख्यक बिंदु और उसके निकटतम अल्पसंख्यक पड़ोसियों की केवल नकल करने के बजाय उनके बीच अंतरण करके नए अल्पसंख्यक उदाहरण बनाता है।

वर्ग भारांकन डेटा को अछूता छोड़ देता है और इसके बजाय हानि फ़ंक्शन अल्पसंख्यक वर्ग पर त्रुटियों को अधिक भारी रूप से दंडित करता है।

विभाजन से पहले पुन: नमूनाकरण से ट्रेन और परीक्षण सेट दोनों में लगभग समान अल्पसंख्यक बिंदु दिखाई देते हैं, जानकारी लीक हो जाती है और अत्यधिक आशावादी, अवास्तविक प्रदर्शन उत्पन्न होता है।

अंडरसैंपलिंग बहुसंख्यक उदाहरणों को हटाकर कक्षाओं को संतुलित करती है, जो सूचनात्मक डेटा को त्याग सकती है और बहुसंख्यक वर्ग को सीखने की मॉडल की क्षमता को नुकसान पहुंचा सकती है।