В настоящее время большинство наборов данных в отрасли несбалансированы, что означает, что класс имеет более высокую частоту, чем другие. Очень часто классификаторы в таких случаях из-за несбалансированности данных предсказывают все выборки как наиболее частотный класс. Чтобы решить эту проблему, мы в Sigmoid решили создать пакет, в котором будут реализованы все методы передискретизации. Мы назвали его Crucio, и в этой статье я расскажу вам о ICOTE (метод избыточной выборки иммунных..

Как работать с несбалансированным набором данных в двоичной классификации - Часть 2 Реализация различных точек разделения с помощью Python В Части 1 этой серии статей я рассказывал о проклятии классового дисбаланса в задачах бинарной классификации и о некоторых средствах его устранения. В частности, я сосредоточился на том, как напрямую вмешиваться в набор данных с помощью различных методов выборки, чтобы сделать его более сбалансированным. В этой статье я собираюсь остановиться..