前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >思考: 现有 不平衡样本处理方法 的 缺陷

思考: 现有 不平衡样本处理方法 的 缺陷

作者头像
JNingWei
发布2018-09-27 15:34:27
4950
发布2018-09-27 15:34:27
举报
文章被收录于专栏:JNing的专栏

现有的不平衡样本处理

现实中采集到的训练样本往往分布不均。如果不加处理而直接训练,往往会使得模型更侧重训练到样本数目较多的类别,而轻视了样本数目较少类别,最终影响到模型的泛化能力。

这种问题被称为 “不平衡样本问题”。对应的处理方法包括 数据层面处理方法(数据重采样、类别平衡采样)以及 算法层面处理方法(代价敏感方法)等。

问题所在

现有的不平衡样本处理,都是 训练 之前基于 先验信息 所进行的处理。

而在实际训练过程中,模型会暴露出 新的学习短板(即后验信息)。那么之前按照 先验信息 处理后的 “平衡样本” ,在 后验信息 的衡量下 就会显得 不平衡

是继续填鸭式教学,还是侧重对知识盲点的训练?That’s a question 。

解决方案

设计算法,每隔一段训练轮数,检查哪些类的预测准确率低,然后在后期加大这些类的采样比例,再进行训练。

相当于一个 良师型的 样本采样算法 。

可能的风险

但同时我在想,训练过程中的误差反向传播,不也是一次对所暴露知识盲点的侧重学习么?那么照此看来,如果用了我新提出的这套方法,岂不是变相把学习率增大?那不是就意味着更快地进入过拟合状态了?!

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018年01月19日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 现有的不平衡样本处理
  • 问题所在
  • 解决方案
  • 可能的风险
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档