Si. El desequilibrio de clase suele ser un desafío para muchos modelos de aprendizaje automático, pero hay una serie de métodos ampliamente aplicables que pueden mejorar las métricas de clasificación como recordar, F1 y AUC ROC. Tenga en cuenta que en los enfoques enumerados a continuación no hay nada específico de algoritmo, por lo que sin duda se puede utilizar para mejorar los resultados de los modelos de aprendizaje profundo.
- Muestreo : sobremuestreo de una clase minoritaria, submuestreo de la clase mayoritaria o incluso generar nuevas muestras con una técnica como SMOTE.
- Ponderación de la función de costo : puede asignar pesos a las etiquetas de su clase de modo que la función de costo penalice la pérdida en ciertas clases con mayor severidad. Esto puede hacer que el modelo se adapte mejor a las características de una clase minoritaria.
- Ajuste del umbral de decisión : una vez que haya pronosticado las probabilidades, en lugar de utilizar una decisión predeterminada de más del 50% para asignar etiquetas pronosticadas, puede intentar reducir el umbral para mejorar la recuperación de una clase minoritaria / optimizar F1.
Al igual que con otras opciones de modelado, el uso de estos métodos y sus parámetros deben validarse de forma cruzada.
Incluso diría que en algunos dominios, el aprendizaje profundo es especialmente adecuado para clases desequilibradas. Por ejemplo, con los datos de imagen es común aumentar el conjunto de datos realizando rotaciones, cizallas, volteretas, etc., por lo que hay una forma muy natural de agregar observaciones sintéticas de una clase minoritaria.
- Estoy atrapado en la regresión. ¿Qué debo aprender después de esto?
- ¿Cuáles son algunas aplicaciones actuales de las redes neuronales convolucionales además del análisis de imagen, video y discurso?
- ¿Cuáles son los fundamentos programáticos del procesamiento del lenguaje natural?
- ¿Qué idioma es el mejor para construir código de producción de aprendizaje automático?
- ¿Cuál es el tamaño del conjunto de datos de Cifar?
