¿A qué problemas conducen los conjuntos de datos de entrenamiento asimétricos?

En la clasificación, los conjuntos de datos sesgados para el entrenamiento sin una calibración adecuada podrían conducir a modelos sesgados hacia las etiquetas de la mayoría. Por ejemplo, si tiene un conjunto de datos de clasificación con una clase presente en el 95% de los datos, ¡el modelo aprendido podría ser simplemente uno que prediga la clase mayoritaria independientemente de las características, ya que la tasa de clasificación errónea es del 95%! Problemas similares podrían ocurrir en la regresión.

Para mitigar este problema, puede probar algunas estrategias:

• Muestreo: muestreo de arriba / abajo del conjunto de datos para garantizar una representación igual para todas las clases.
• Ponderación: algunos algoritmos de entrenamiento, como los algoritmos basados ​​en árboles, pueden tomar pesos de instancia que son parámetros. Adjunte pesos más altos a instancias con etiquetas menos frecuentes.
• Evite la selección agresiva de características sin equilibrar el conjunto de datos mediante muestreo o ponderación.
• Calibración: para la clasificación binaria, la calibración de los modelos (usando la escala de Platt o la regresión isotónica) después del entrenamiento también podría ayudar.

Decisiones sesgadas