Data tidak seimbang

Data tidak seimbang ialah sejenis data yang mempunyai perwakilan yang tidak sama bagi dua atau lebih kelas maklumat. Jenis data ini adalah perkara biasa dalam bidang pembelajaran mesin dan analisis ramalan. Ia berlaku apabila kuantiti satu kelas mata data adalah jauh lebih tinggi daripada kuantiti semua kelas lain.

Data yang tidak seimbang boleh menjadi cabaran kepada algoritma pembelajaran mesin. Apabila data sampel mengandungi terlalu banyak atau terlalu sedikit daripada satu kelas titik data, algoritma mungkin tidak dapat mengesan corak dengan betul. Akibatnya, ramalan yang dibuat oleh algoritma mungkin tidak tepat. Untuk memastikan model itu lebih tepat, data mesti seimbang untuk memastikan semua kelas mempunyai perwakilan yang serupa.

Untuk mengimbangi data, seseorang boleh menggunakan teknik pensampelan data seperti pensampelan berlebihan dan pensampelan terkurang. Dalam pensampelan berlebihan, lebih banyak titik data daripada kelas dengan perwakilan yang kurang ditambahkan pada sampel. Sebaliknya, undersampling ialah proses mengalih keluar titik data daripada kelas dengan lebih banyak perwakilan. Dengan mengimbangi set data, algoritma pembelajaran mesin boleh mencipta model yang lebih baik dan membuat ramalan yang lebih tepat.

Data yang tidak seimbang boleh memberi kesan yang mendalam pada set data yang digunakan dalam pembelajaran mesin. Oleh itu, adalah penting untuk mengambil langkah-langkah untuk memastikan set data yang digunakan adalah seimbang untuk mencipta model yang boleh dipercayai dan memperoleh keputusan yang tepat.