Resampling und Klassengewichte
Mit Code statt mit mehr Daten neu ausbalancieren
Resampling und Klassengewichte ist eine kostenlose NLP Academy-Lektion auf CoddyKit. Dies ist Lektion 2 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des NLP Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der NLP Academy-Kurs umfasst insgesamt 4 Lektionen.
Zwei Wege zum Ausgleich
Sie können die Schieflage beheben, indem Sie die Daten mit Resampling verändern oder die Mathematik mit Klassengewichtungen anpassen. Beide Methoden lenken die Aufmerksamkeit auf die seltene Klasse.
Oversampling der Minderheitsklasse
Oversampling kopiert weitere Beispiele der seltenen Klasse oder erzeugt synthetische Beispiele, sodass sich die Klassen annähern und das Modell mehr Lernmaterial erhält.
Undersampling der Mehrheitsklasse
Undersampling entfernt stattdessen einige Beispiele der Mehrheitsklasse. Das ist schnell und schlank, birgt aber das Risiko, nützliche Informationen zu verlieren.
SMOTE für Textmerkmale
SMOTE erzeugt im Merkmalsraum neue Punkte der Minderheitsklasse zwischen realen Punkten, statt sie zu duplizieren. So sieht das Modell vielfältigere Beispiele.
from imblearn.over_sampling import SMOTE
X_bal, y_bal = SMOTE().fit_resample(X, y)Nur das Training neu sampeln
Gleichen Sie immer nur den Trainingsdatensatz aus. Wenn Sie den Testdatensatz verändern, fälschen Sie gute Ergebnisse und verschleiern die tatsächliche Leistung.
Die Idee der Gewichtung
Statt die Daten zu verändern, können Sie jeden Fehler bei der seltenen Klasse stärker gewichten. Höhere Klassengewichte sorgen dafür, dass der Loss die Minderheitsklasse berücksichtigt.
Ausgeglichen in einer Zeile
Viele scikit-learn-Modelle akzeptieren class_weight. Setzen Sie den Wert auf balanced, werden die Gewichte umgekehrt proportional zur Klassenhäufigkeit berechnet.
clf = LogisticRegression(class_weight='balanced')So funktionieren ausgeglichene Gewichte
Eine ausgeglichene Gewichtung skaliert jede Klasse mit dem Kehrwert ihrer Häufigkeit. Dadurch zählt ein seltenes Label effektiv um ein Vielfaches stärker.
Gewichte oder Resampling
Klassengewichte sind kostengünstig und erhalten Ihre Daten unverändert, während Resampling vielfältigere Muster erfassen kann. Probieren Sie zuerst Gewichte aus.
Achten Sie auf Overfitting
Aggressives Oversampling kann dazu führen, dass ein Modell sich seltene Beispiele merkt. Validieren Sie mit unveränderten Daten, um dieses Overfitting früh zu erkennen.
Eine Methode wählen und messen
Es gibt keine allgemein beste Lösung. Wählen Sie eine Methode und bewerten Sie sie anhand des Recalls der Minderheitsklasse, nicht anhand der reinen Genauigkeit. 🎯
Kurztest
Wählen Sie die sicherste Vorgehensweise zum Ausgleich.
Zusammenfassung
Bekämpfen Sie die Schieflage mit Resampling oder Klassengewichten, gleichen Sie nur die Trainingsdaten aus und bewerten Sie die Ergebnisse anhand des Recalls der Minderheitsklasse. ✅
Lerne Python mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 30
- Lektionen
- 120
Häufig gestellte Fragen
Ist die Lektion „Resampling und Klassengewichte“ kostenlos?
Ja — der vollständige Text von „Resampling und Klassengewichte“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des NLP Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der NLP Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Resampling und Klassengewichte“?
Mit Code statt mit mehr Daten neu ausbalancieren Du übst NLP Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um NLP Academy zu starten?
Keine Vorkenntnisse erforderlich. NLP Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 2 von 4.
Wie lange dauert die Lektion „Resampling und Klassengewichte“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser NLP Academy-Lektion Code schreiben und ausführen?
Ja. Jede NLP Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Warum seltene Klassen ignoriert werden
- Resampling und Klassengewichte
- Schwellenwert und Metrik auswählen
- End-to-End-Pipeline für unausgewogene Daten