Jeux de données déséquilibrés

Borderline-SMOTE est une technique avancée pour générer des échantillons synthétiques dans des ensembles de données déséquilibrés, en se concentrant sur les instances borderline.

Les données déséquilibrées se produisent lorsque les classes dans un ensemble de données ne sont pas représentées de manière égale, ce qui conduit souvent à des prédictions biaisées du modèle.

Le déséquilibre des labels fait référence à la répartition inégale des classes dans un ensemble de données utilisé pour entraîner des modèles d'IA.

La classe majoritaire fait référence à la catégorie dans un ensemble de données qui possède la fréquence d'occurrences la plus élevée.

Le suréchantillonnage de la classe minoritaire est une technique pour équilibrer des ensembles de données déséquilibrés en augmentant le nombre d'instances dans la classe minoritaire.

SMOTE est une technique utilisée pour équilibrer les ensembles de données en générant des exemples synthétiques pour les classes sous-représentées.