Публикации по теме 'imbalanced-data'
Работа с несбалансированными данными с помощью несбалансированного обучения, часть 1: недостаточная выборка
В области машинного обучения работа с несбалансированными наборами данных может представлять серьезную проблему. Несбалансированные данные возникают, когда распределение классов в наборе данных неравномерно, при этом один класс доминирует над другими. Это может привести к предвзятым моделям, которые плохо работают с классом меньшинства. В этой статье мы рассмотрим, как обращаться с несбалансированными данными, используя набор данных Road Accidents UK и пакет несбалансированного обучения..
Подготовка к интервью ML — популярные темы
Здравствуйте, рад видеть вас здесь. В предыдущей статье мы рассмотрели основные алгоритмы машинного обучения:
Подготовка к интервью для машинного обучения — алгоритмы машинного обучения В предыдущей статье я начал с общих концепций, вы можете ознакомиться с ними здесь: medium.com
Сегодня давайте углубимся в некоторые популярные темы, которые часто обсуждаются в интервью по машинному обучению. Без лишних слов представляем вам очередную..
Классификация с несбалансированными данными
Использование различных методов передискретизации для улучшения моделей машинного обучения
Построение моделей классификации на данных, которые имеют в значительной степени несбалансированные классы, может быть затруднено. Использование таких методов, как передискретизация, недостаточная выборка, комбинации передискретизации и пользовательская фильтрация, может повысить точность.
В этой статье я рассмотрю несколько различных подходов к устранению дисбаланса данных в задачах..
Несбалансированные данные: подробное руководство о том, как справляться с проблемами несбалансированной классификации.
Углубленный анализ на уровне данных, уровне алгоритма и гибридных подходах для решения проблем несбалансированной классификации.
Проблемы несбалансированной классификации и парадокс точности
Любой, кто знаком с машинным обучением, наверняка сталкивался с проблемой несбалансированной классификации . По определению несбалансированная классификация возникает, когда один или несколько классов имеют очень низкие доли в обучающих данных по сравнению с другими классами. Когда..
Обработка дисбаланса классов в машинном обучении
Методы и стратегии улучшения производительности модели на несбалансированных наборах данных
Дисбаланс классов — это ситуация, когда количество экземпляров в каждом классе набора данных не равно. Другими словами, некоторые классы имеют значительно больше экземпляров, чем другие. Например, в задаче бинарной классификации, где один класс является положительным классом, а другой — отрицательным классом, если положительный класс имеет только несколько экземпляров по сравнению с..
Whodunit: Атрибуция кибератаки
Расследование кибератак, чтобы выяснить, кто их совершил: государственные и связанные с государством группы или негосударственные группы!
Особая благодарность Мерем Вилдан Сарыкая за участие в этой серии статей. Также спасибо Ozkan Serttas и Hamdi Kavak PhD за помощь в преобразовании данных из JSON в табличный формат.
Часть 1 Введение
Частота и серьезность кибератак, спонсируемых государством, в последние годы растут. Эти атаки часто направлены на кражу конфиденциальной..
Проблемы с обработкой несбалансированных текстовых данных
Модель машинного обучения (ML), как правило, работает лучше, когда в ней достаточно данных и метка сбалансированного класса.
Несбалансированные текстовые данные означают неравномерное распределение меток классов в наборе данных. Неравномерное распределение может происходить в любом соотношении (1:10, 1:100 и т. д.). Такое асимметричное распределение меток классов в наборе данных приводит к плохой эффективности классификации/прогнозирования модели ML. Низкая производительность модели..
