Explora 6 términos de IA en Conjuntos de Datos Desequilibrados
Borderline-SMOTE es una técnica avanzada para generar muestras sintéticas en conjuntos de datos desequilibrados, enfocándose en las instancias en la frontera.
Los datos desequilibrados ocurren cuando las clases en un conjunto de datos no están representadas de manera igualitaria, lo que a menudo conduce a predicciones sesgadas del modelo.
El desequilibrio de etiquetas se refiere a la distribución desigual de clases en un conjunto de datos utilizado para entrenar modelos de IA.
La clase mayoritaria se refiere a la categoría en un conjunto de datos que tiene la mayor frecuencia de instancias.
Sobrerrepresentar la clase minoritaria es una técnica para equilibrar conjuntos de datos desequilibrados aumentando el número de instancias en la clase minoritaria.
SMOTE es una técnica utilizada para equilibrar conjuntos de datos generando ejemplos sintéticos para clases subrepresentadas.