طبقاتی عدم توازن اور دوبارہ نمونہ کاری
Class imbalance is when one outcome vastly outnumbers another — like 99.9% legitimate transactions versus 0.1% fraud — which tricks models into ignoring the rare but important class.
جائزہ
Resampling rebalances the training data so the model actually learns to spot the minority.
گہرا غوطہ
جب کلاسز کو متزلزل کیا جاتا ہے، تو ایک ماڈل ہمیشہ اکثریت کی پیشین گوئی کر کے 99.9% درستگی حاصل کر سکتا ہے اور کبھی ایک دھوکہ دہی کو نہیں پکڑ سکتا، جو کہ بیکار ہے۔ دوبارہ نمونے لینے سے تربیت کی تقسیم کو دو وسیع طریقوں سے درست کیا جاتا ہے۔ اوور سیمپلنگ اقلیتی مثالوں کی نقل یا ترکیب کرتا ہے - کلاسک SMOTE (مصنوعی اقلیت سے زیادہ نمونے لینے کی تکنیک) اقلیتی نمونے اور اس کے قریب ترین اقلیتی پڑوسیوں کے درمیان نقل کرنے کے بجائے ان کے درمیان مداخلت کرکے نئے نکات تخلیق کرتی ہے۔ اس کے بجائے انڈر سیمپلنگ ڈیٹا کو پھینکنے کی قیمت پر، زیادہ تر مثالوں کو (تصادفی طور پر، یا Tomek لنکس یا NearMiss جیسے طریقوں کے ذریعے ہوشیاری سے) ضائع کر دیتی ہے۔ اعداد و شمار کو چھونے سے گریز کرنے والے متبادلات میں کلاس وزن (نقصان کے فنکشن میں اقلیتی غلطیوں کو زیادہ سزا دینا) اور تربیت کے بعد فیصلے کی حد کو ایڈجسٹ کرنا شامل ہے۔
تکنیکی بصیرت
ایک اہم اصول: صرف ٹریننگ سیٹ کو دوبارہ نمونہ بنائیں، کبھی بھی توثیق یا ٹیسٹ سیٹ نہیں، اور ہمیشہ کراس توثیق فولڈ کے اندر دوبارہ نمونہ بنائیں۔ ٹیسٹ سیٹ میں ڈپلیکیٹ پوائنٹس کے قریب لیک ہونے سے پہلے اوور سیمپلنگ اور اسکور کو بڑھاتا ہے۔ چونکہ یہاں درستگی بے معنی ہے، تشخیص کو درستگی، یاد کرنا، F1، Precision-Recall AUC، یا Matthews Correlation Coefficient — میٹرکس پر انحصار کرنا چاہیے جو مثبت طبقے کے نایاب ہونے پر ایماندار رہتے ہیں۔
اسٹریٹجک اثر
لاگت اور بجٹ
فن تعمیر کے فیصلے سالوں تک کارکردگی اور آپریٹنگ لاگت کو آگے بڑھاتے ہیں۔
واضح فیصلے
تکنیکی تعلیم ٹیموں کو صحیح اسٹیک منتخب کرنے میں مدد کرتی ہے، نہ صرف جدید ترین۔
کوالٹی کنٹرول
انجینئرنگ کے بہتر انتخاب پیداوار میں قابل اعتماد واقعات کو کم کرتے ہیں۔
طبقاتی عدم توازن اور دوبارہ نمونے لینے کا مستقبل
ML پائپ لائنوں کے اندر دوبارہ نمونے لینے کا عمل تیزی سے خودکار ہوتا جا رہا ہے، جس میں لائبریریاں غیر متوازن سیکھنے کے ساتھ براہ راست کراس-ویلیڈیشن میں ضم ہو رہی ہیں۔ تحقیق لاگت کے لحاظ سے حساس سیکھنے اور موزوں نقصان کے افعال کی طرف منتقل ہو رہی ہے — جیسے کہ فوکل نقصان، جس کا وزن آسان اکثریت کی مثالوں کو کم کر دیتا ہے — جو اکثر گہرے نیٹ ورکس پر خام ری سیمپلنگ کو پیچھے چھوڑ دیتے ہیں۔ ٹیبلولر اور امیج ڈیٹا کے لیے، تخلیقی ماڈل جو حقیقت پسندانہ اقلیتی نمونوں کی ترکیب کرتے ہیں SMOTE طرز کے انٹرپولیشن کے ایک زیادہ نفیس جانشین کے طور پر ابھر رہے ہیں۔
حقیقی دنیا کا نفاذ
کریڈٹ کارڈ فراڈ کا پتہ لگانے والے کو تربیت دینا جہاں حقیقی فراڈ 1% ٹرانزیکشنز سے کم ہے، SMOTE کا استعمال کرتے ہوئے فراڈ کے نادر کیسز کو بڑھانا
صرف چند فیصد مریضوں میں موجود کسی نایاب بیماری کے لیے میڈیکل ماڈل بنانا، کلاس وزن کا اطلاق کرنا تاکہ چھوٹ جانے والے کیسوں پر بھاری جرمانہ عائد کیا جائے۔
مینوفیکچرنگ لائن پر ناقص اشیاء کا پتہ لگانا جہاں تقریباً تمام مصنوعات معائنہ سے گزرتی ہیں، تربیت میں توازن کے لیے 'اچھی' اشیاء کو کم نمونہ بنانا
سائبرسیکیوریٹی لاگز میں نیٹ ورک کی نایاب مداخلتوں کو جھنڈا لگانا جس پر عام ٹریفک کا غلبہ ہے، درستگی کے بجائے پریسیژن-ریکال اے یو سی سے جانچا جاتا ہے۔
خطرات اور گارڈریلز
ایک بینچ مارک کو بہتر بنانا نظام کی وسیع تر کمزوریوں کو چھپا سکتا ہے۔
بنیادی ڈھانچے اور دیکھ بھال کے اخراجات کو اکثر کم سمجھا جاتا ہے۔
سیکورٹی اور مشاہداتی فرق بڑھ سکتا ہے کیونکہ نظام زیادہ پیچیدہ ہو جاتا ہے۔
نفاذ کا روڈ میپ
نفاذ سے پہلے تاخیر، معیار اور لاگت کے اہداف کی وضاحت کریں۔
حقیقت پسندانہ بوجھ اور ڈیٹا کی شرائط کے تحت بینچ مارک۔
غلطیوں، بڑھے ہوئے، اور صارف کے اثرات کے لیے آلے کی نگرانی۔
اسکیلنگ سے پہلے رول بیک اور واقعہ کے ردعمل کے راستے تیار کریں۔
دریافت کرتے رہیں
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Class Imbalance and Resampling quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
اگلا گائیڈ
سیامی نیٹ ورکس اور ٹرپلٹ نقصان
اکثر پوچھے گئے سوالات
What is Class Imbalance and Resampling?
طبقاتی عدم توازن تب ہوتا ہے جب ایک نتیجہ دوسرے سے بہت زیادہ ہو جاتا ہے — جیسے 99.9% جائز لین دین بمقابلہ 0.1% فراڈ — جو ماڈلز کو نایاب لیکن اہم طبقے کو نظر انداز کرنے پر مجبور کرتا ہے۔ دوبارہ نمونے لینے سے تربیتی اعداد و شمار میں توازن پیدا ہوتا ہے تاکہ ماڈل اصل میں اقلیت کی نشاندہی کرنا سیکھے۔
انتہائی غیر متوازن درجہ بندی کے مسئلے کے لیے سادہ درستگی ایک ناقص میٹرک کیوں ہے؟
اگر 99.9% معاملات منفی ہیں، تو ایک ماڈل جو ہمیشہ منفی کی پیش گوئی کرتا ہے صفر مثبت کو پکڑتے ہوئے 99.9% درستگی حاصل کرتا ہے، لہذا درستگی نایاب طبقے میں مکمل ناکامی کو چھپا دیتی ہے۔
SMOTE کیا کرتا ہے؟
SMOTE (مصنوعی اقلیت سے زیادہ نمونے لینے کی تکنیک) اقلیتی نقطہ اور اس کے قریب ترین اقلیتی پڑوسیوں کے درمیان صرف نقل کرنے کے بجائے اقلیتوں کی نئی مثالیں تخلیق کرتی ہے۔
تربیت کی مثالوں کی تعداد کو تبدیل کیے بغیر کون سا نقطہ نظر عدم توازن کو سنبھالتا ہے؟
کلاس ویٹنگ ڈیٹا کو اچھوتا چھوڑ دیتی ہے اور اس کے بجائے نقصان کے فنکشن کو اقلیتی طبقے پر غلطیوں کو مزید بھاری سزا دیتا ہے۔
اپنے ڈیٹا کو ٹرین اور ٹیسٹ سیٹ میں تقسیم کرنے سے پہلے اوور سیمپلنگ لگانے کا اہم خطرہ کیا ہے؟
تقسیم سے پہلے دوبارہ نمونے لینے سے ٹرین اور ٹیسٹ سیٹ دونوں میں قریب قریب ایک جیسے اقلیتی پوائنٹس ظاہر ہوتے ہیں، معلومات کو لیک کرتے ہیں اور حد سے زیادہ پر امید، غیر حقیقی کارکردگی پیدا کرتے ہیں۔
بے ترتیب انڈر سیمپلنگ کا بنیادی نقصان کیا ہے؟
انڈر سیمپلنگ اکثریت کی مثالوں کو پھینک کر کلاسوں کو بیلنس کرتی ہے، جو معلوماتی ڈیٹا کو ضائع کر سکتی ہے اور ماڈل کی اکثریتی کلاس کو سیکھنے کی صلاحیت کو نقصان پہنچا سکتی ہے۔