Nachdem wir die verschiedenen Probleme im Zusammenhang mit Datenungleichgewicht<\/strong> n\u00e4her erl\u00e4utert und gezeigt haben, dass die Wahl der richtigen Leistungsmetrik f\u00fcr die Bewertung unserer Modelle von entscheidender Bedeutung ist, werden wir eine nicht ersch\u00f6pfende Liste n\u00fctzlicher Techniken zur Bek\u00e4mpfung dieser Art von Problemen vorstellen.<\/p>\n Es mag vereinfacht klingen, aber das Sammeln zus\u00e4tzlicher Daten<\/strong> wird fast immer vernachl\u00e4ssigt, obwohl es manchmal sehr effektiv sein kann.<\/p>\n Kannst du mehr Daten sammeln? Nimm dir ein paar Minuten Zeit, um \u00fcber die M\u00f6glichkeit nachzudenken, mehr Daten f\u00fcr dein Problem zu sammeln. Dies k\u00f6nnte deine Klassen m\u00f6glicherweise in unterschiedlichem Ma\u00dfe neu ausrichten.<\/p>\n Du kannst den Datensatz,<\/a> den du vor dem Training deines Vorhersagemodells verwendest, \u00e4ndern, um ausgeglichenere Daten zu erhalten.<\/p>\n Diese Strategie wird Resampling genannt und es gibt zwei Hauptmethoden, die du verwenden kannst, um die Klassen auszugleichen:<\/p>\n Oversampling und Undersampling.<\/p>\n Oversampling-Methoden<\/strong> funktionieren, indem die Anzahl der Beobachtungen der Minderheitsklasse(n) erh\u00f6ht wird, um ein zufriedenstellendes Verh\u00e4ltnis von Minderheitsklasse zu Mehrheitsklasse zu erreichen.<\/p>\n Undersampling-Methoden<\/strong> funktionieren, indem die Anzahl der Beobachtungen der Mehrheitsklasse(n) verringert wird, um ein zufriedenstellendes Verh\u00e4ltnis von Minderheits- zu Mehrheitsklasse zu erreichen.<\/p>\n In Python bietet das Paket imblearn eine Reihe von Resampling-Methoden, die hier verf\u00fcgbar sind.<\/p>\n Diese Ans\u00e4tze sind sehr einfach und schnell umzusetzen. Sie sind ein guter Ausgangspunkt.<\/p>\n Unser Rat: Probiere immer beide Ans\u00e4tze f\u00fcr alle deine unausgeglichenen Datens\u00e4tze aus und \u00fcberpr\u00fcfe, ob sich dadurch deine gew\u00e4hlten Leistungsmetriken verbessern.<\/p>\n Bevorzuge Unterstichproben, wenn du gro\u00dfe Datens\u00e4tze hast: Zehn- oder Hunderttausende von F\u00e4llen oder mehr. Ziehe in Erw\u00e4gung, verschiedene Klassenverh\u00e4ltnisse zu testen. Bei einem bin\u00e4ren Klassifikationsproblem<\/a> musst du z. B. nicht unbedingt ein Verh\u00e4ltnis von 1:1 anstreben, sondern kannst auch andere Verh\u00e4ltnisse ausprobieren.<\/p>\n Es gibt Algorithmen, um synthetische Stichproben automatisch zu generieren. Der beliebteste dieser Algorithmen ist SMOTE (f\u00fcr Synthetic Minority Over-sampling Technique). Wie der Name schon sagt, ist SMOTE eine Oversampling-Methode. Sie funktioniert, indem sie synthetische Stichproben aus der Minderheitsklasse erstellt, anstatt einfache Kopien zu erstellen. Mehr \u00fcber SMOTE findest du im Originalartikel. Manchmal sind die Methoden des Resampling nicht effektiv genug, und in diesem Fall solltest du das Problem neu \u00fcberdenken. Das kann daran liegen, dass der verwendete Algorithmus nicht f\u00fcr deine Daten geeignet ist. Baumbasierte Ensemblemodelle wie RandomForests sind in der Regel besser f\u00fcr unausgewogene Daten geeignet.<\/p>\n Es ist auch m\u00f6glich, mit Wahrscheinlichkeiten zu spielen. Wenn du z. B. die gro\u00dfe Mehrheit der potenziellen Churns absolut vorhersagen m\u00f6chtest, auch wenn du einige Nicht-Churns falsch einordnest, kannst du den Wahrscheinlichkeitsschwellenwert \u00e4ndern, ab dem Kunden als Churns eingestuft werden.<\/p>\n Je niedriger der Schwellenwert, desto genauer wird unsere Klasse, aber der Recall wird sinken.<\/p>\n Die benachteiligte Klassifizierung erm\u00f6glicht<\/strong> es, dem Modell zus\u00e4tzliche Kosten f\u00fcr Fehlklassifizierungen aufzuerlegen, die w\u00e4hrend des Trainings bei der Minderheitsklasse gemacht werden. Diese Strafen k\u00f6nnen das Modell so verzerren, dass es der Minderheitsklasse mehr Aufmerksamkeit schenkt.<\/p>\n1) Mehr Daten sammeln<\/h3>\n
2) Resampling-Methoden verwenden<\/h3>\n
\nWenn du nicht viele Daten hast, solltest du auf Oversampling setzen: Zehntausende oder weniger.<\/p>\n3) Generierung von synthetischen Proben<\/h3>\n
\nDer ClusterCentroids-Algorithmus ist ein Undersampling-Algorithmus, der Clustering-Methoden verwendet, um eine bestimmte Anzahl von Zentroiden aus den Originaldaten zu erzeugen, damit m\u00f6glichst wenig Informationen \u00fcber die Mehrheitsklasse verloren gehen, wenn diese reduziert werden muss.<\/p>\n4) Das Problem neu \u00fcberdenken<\/h3>\n
\nTeste ruhig andere Algorithmen, eventuell in Kombination mit den oben beschriebenen Resampling-Methoden.<\/p>\n5) Ein benachteiligtes Modell verwenden.<\/h3>\n