Ի՞նչ է դասերի անհավասարակշռությունը և ինչպես պայքարել դրա դեմ։

Դիսբալանս դասերի — դա դասակարգման խնդրում այն իրավիճակն է, երբ մեկ դասի օբյեկտների քանակը զգալիորեն գերազանցում է մյուս (կամ մյուսների) դասերի օբյեկտների քանակը: Սա հանգեցնում է նրան, որ մոդելը կարող է վատ ճանաչել քիչ ներկայացված դասերը, քանի որ նա հակված է օպտիմալացնել մեծամասնության համար:

Դիսբալանս դասերի դեմ պայքարի միջոցներ՝

• Վերանմուշավորում: փոքր դասի օբյեկտների քանակը մեծացնելը (oversampling) կամ մեծ դասի օբյեկտների քանակը նվազեցնելը (undersampling):
• Հատուկ մետրիկների օգտագործում: օրինակ, F1-score, ROC-AUC փոխարեն պարզ ճշգրտության:
• Դիսբալանսին դիմացկուն ալգորիթմների կիրառումը: օրինակ, ансамбլներ, դասերի քաշային մեթոդներ:
• Սինթետիկ տվյալների սերունդ: մեթոդներ ինչպիսիք են SMOTE-ը, ստեղծում են նոր օբյեկտներ փոքր դասի համար:

SMOTE-ի կիրառման օրինակ՝

from imblearn.over_sampling import SMOTE
X_resampled, y_resampled = SMOTE().fit_resample(X, y)

Սա օգնում է բարելավել մոդելի որակը հազվագյուտ դասերում։