باختصار
مجموعة البيانات غير المتوازنة فئويًا (Class-Imbalanced Dataset) هي مجموعة بيانات لمسألة تصنيف يختلف فيها إجمالي عدد تسميات كل فئة اختلافًا كبيرًا.
بالتفصيل
خُد مجموعة بيانات تصنيف ثنائي تسمياتها موزّعة كالتالي: 1,000,000 تسمية سالبة، و10 تسميات موجبة. نسبة السالب إلى الموجب هنا 100,000 إلى 1 — فدي مجموعة غير متوازنة فئويًا.
وفي المقابل، المجموعة دي متوازنة فئويًا لأن النسبة قريبة من 1: 517 تسمية سالبة، و483 تسمية موجبة.
ومجموعات البيانات متعدّدة الفئات ممكن تكون غير متوازنة كمان. مثلًا مجموعة فيها 1,000,000 تسمية للفئة «أخضر»، و200 للفئة «بنفسجي»، و350 للفئة «برتقالي» — دي غير متوازنة لأن فئة واحدة لديها أمثلة أكثر بكثير من الفئتين الأخريين.
وتدريب مجموعات بيانات غير متوازنة بيطرح تحدّيات خاصة.
أوّلها وأشهرها إن مقياس الدقّة بيفقد معناه. في المثال الأول، نموذج بيقول «سالب» دائمًا وبلا استثناء هيحقّق دقّة 99.999% — وهو عديم الفائدة تمامًا، لأنه ما مسكش ولا حالة من العشرة اللي تهمّك.
ولذلك بيتمّ الاعتماد في هذه الحالات على مقاييس زي الاستدعاء والدقّة الموجبة، لا على الدقّة الإجمالية.
مثال عملي
بيانات معاملات بنكية: 2 مليون معاملة سليمة، و140 معاملة احتيالية.
لو قيّمت نموذجك بالدقّة الإجمالية، أي نموذج كسول هيبان ممتازًا. القياس الصحيح: كم معاملة احتيالية أمسكها فعلًا (الاستدعاء)، وكم إنذارًا كاذبًا أطلقه مقابل ذلك.
مصطلحات مرتبطة
- Majority Class — الفئة الأغلبية.
- Recall — الاستدعاء.
- Confusion Matrix — مصفوفة الالتباس.
المصادر: Google ML Glossary
