Remuestreo y pesos de clase

Puede corregir el sesgo cambiando los datos mediante remuestreo o cambiando las operaciones matemáticas mediante pesos de clase. Ambos métodos dirigen la atención hacia la clase minoritaria.

El sobremuestreo copia o sintetiza más ejemplos poco frecuentes para acercar las clases, lo que proporciona al modelo más información de la que aprender.

El submuestreo elimina en su lugar algunos ejemplos de la clase mayoritaria. Es rápido y ligero, pero puede hacerle perder información útil.

SMOTE crea nuevos puntos minoritarios entre los puntos reales en el espacio de características, en lugar de duplicarlos, para que el modelo vea una variedad nueva.

Reequilibre siempre únicamente el conjunto de entrenamiento. Modificar el conjunto de prueba falsea las buenas puntuaciones y oculta el rendimiento real.

En lugar de mover los datos, puede hacer que cada error minoritario tenga un coste mayor. Unos pesos de clase más altos obligan a la función de pérdida a tener en cuenta la clase minoritaria.

Muchos modelos de scikit-learn aceptan class_weight. Asígnelo a balanced y los pesos se calcularán de forma inversamente proporcional a la frecuencia de cada clase.

La ponderación equilibrada escala cada clase según el inverso de su frecuencia, de modo que una etiqueta poco frecuente cuenta efectivamente muchas veces más.

Los pesos de clase son económicos y conservan intactos los datos, mientras que el remuestreo puede captar patrones más variados. Pruebe primero con los pesos.

Un sobremuestreo agresivo puede hacer que el modelo memorice los ejemplos poco frecuentes. Valide con datos intactos para detectar pronto este sobreajuste.

No existe un método ganador universal. Elija uno y evalúelo mediante el recall de la clase minoritaria, no con la exactitud sin más. 🎯

Combata el sesgo con remuestreo o pesos de clase, reequilibre únicamente los datos de entrenamiento y evalúe los resultados mediante el recall de la clase minoritaria. ✅