Klassenbalance

Die Sicherstellung eines ausgewogenen Klassenverhältnisses in Machine-Learning-Datensätzen ist entscheidend, um eine Verzerrung des Modells zugunsten einer bestimmten Klasse zu vermeiden. Wenn ein Datensatz ausgewogen ist, bedeutet dies eine gerechte Repräsentation aller Klassen, was von großer Bedeutung ist. Ein unausgewogener Datensatz kann zu suboptimalen Leistungen des Modells führen, insbesondere bei der Vorhersage der Minderheitsklasse.

Betrachten Sie einen Datensatz, der Kunden-Transaktionen umfasst, bei denen 90 % legitim und nur 10 % betrügerisch sind. Das Trainieren eines Modells mit solch verzerrten Daten kann dazu führen, dass es die meisten Transaktionen als legitim einstuft. Diese Tendenz entsteht, weil das Modell darauf ausgelegt ist, den Gesamtfehler zu minimieren, und die Identifizierung der meisten Transaktionen als legitim die Genauigkeit oberflächlich verbessert.

Daher ist es unabdingbar, ein ausgewogenes Klassenverhältnis beizubehalten, um Modelle mit einer vielfältigen Stichprobe aus jeder Klasse zu trainieren und ihre Fähigkeit zu präzisen Vorhersagen insgesamt zu verbessern.