Машинное обучение с несбалансированными данными
- Суть
- Методы работы с дисбалансом классов в машинном обучении: от манипуляций с выборкой до ансамблей на Python.
- На выходе
- Применять методы Undersampling для корректировки дисбаланса данных; Генерировать синтетические данные с помощью алгоритма SMOTE и его модификаций; Оценивать качество моделей машинного обучения с помощью специализированных метрик; Настраивать ансамблевые методы для повышения предсказательной способности моделей; Реализовывать методы, чувствительные к стоимости ошибки (cost-sensitive learning)
- Навыки
- Undersampling · Алгоритм SMOTE · Ансамблевое обучение · Cost-sensitive learning