ٹیکنیکل گائیڈ
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.
اس گائیڈ کو سنیں۔اے آئی نے بیان کیا۔ · ~2 min
اس صفحہ پر2 منٹ پڑھیں
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۔
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۔
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۔
اسے عملی جامہ پہنانا
یہ کیوں اہمیت رکھتا ہے۔
- 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۔
پر نگاہ رکھیں
- 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۔
اگلے اقدامات
- 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
مفت نیوز لیٹر
روزانہ AI بریفنگ حاصل کریں
ہر ہفتے کے دن صبح تین تصدیق شدہ AI کہانیاں، سادہ انگریزی میں لکھی گئیں۔ ہمیشہ کے لیے مفت، کوئی اشتہار نہیں۔
ہر ہفتے کے دن ایک ای میل۔ ایک کلک میں ان سبسکرائب کریں۔ ہم کبھی بھی آپ کا پتہ فروخت یا شیئر نہیں کرتے۔
اپنے آپ کو جانچیں۔
Take the Class Imbalance and Resampling quiz
ہر جواب پر فوری فیڈبیک، اور کورس پاس کرنے کے بعد قابلِ تصدیق ID کے ساتھ شیئر کرنے کے قابل سرٹیفکیٹ۔
مفت AI تعلیم کی حمایت کریں۔ AI Understanding ایک 501(c)(3) غیر منافع بخش ادارہ ہے — کوئی اشتہار نہیں، کوئی پے وال نہیں، کبھی نہیں۔ عطیہ کریں۔
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۔
سیکھتے رہیں
متعلقہ گائیڈز
اس موضوع کے لیے مزید گائیڈز چنے گئے ہیں۔