La mejor manera es sopesar los errores de manera diferente. Debe sopesar los errores al clasificar erróneamente la clase minoritaria mucho más que al clasificar erróneamente la clase mayoritaria.
Dejame darte un ejemplo. Si utiliza redes neuronales para la clasificación, durante la propagación hacia atrás obtiene los errores para diferentes instancias de entrenamiento. Aquí, solo sopesar los errores dependiendo de si una instancia mayoritaria fue mal clasificada o una instancia de la clase minoritaria fue mal clasificada.
Si está utilizando Regresión logística, por ejemplo, use un parámetro class_weight = “auto”, por ejemplo, en Scikit Learn en Python. sklearn.linear_model.LogisticRegression – documentación de scikit-learn 0.16.1
- ¿Cuál es la diferencia entre una cadena de Markov recurrente y una cadena de Markov absorbente?
- ¿Hay alguna manera de determinar o reducir las opciones con las que uno debería experimentar para mejorar (por ejemplo) una red neuronal clasificadora de imágenes binarias?
- ¿Cómo afecta el término de regularización a la constante de Lipschitz en la minimización empírica regularizada del riesgo?
- ¿Qué tan pronto la automatización afectará el futuro del arte conceptual?
- Cuando implementa algoritmos de aprendizaje automático, ¿cómo puede saber si su algoritmo es el enfoque incorrecto, si necesita ajustar los parámetros o si hay un error en su código?
Todo lo anterior básicamente hace lo mismo. Observan los errores de manera diferente según el tipo de instancia que fue mal clasificada.
