迁移学习是否解决了数据集不平衡的问题？答案

【问题标题】：Does transfer learning solve the issue of imbalanced dataset?迁移学习是否解决了数据集不平衡的问题？
【发布时间】：2017-11-04 08:06:27
【问题描述】：

我已经阅读了不平衡数据集如何主要影响分类结果，但是使用迁移学习方法（如 SSD）进行对象检测是否可以确保我们不需要平衡数据集来获得良好的结果？

【问题讨论】：

我认为您的问题没有一般性的答案。据我了解：通过迁移学习，您可以通过（部分）重用网络层来使用预设的权重。根据您的策略，保留哪些权重以及放弃哪些权重，预先训练的数据将影响您的结果。这可能导致各种结果。理想情况下，您可以两全其美：从预训练中获得并保持相关的模式识别，并训练您需要的其他（通常是高级）模式。所以它可能会有所帮助，但它不能确保你永远不需要关心不平衡。

【解决方案1】：

简短回答：不。但是，事实上，也许。

这些是不相关的想法。迁移学习的目标是在您没有训练数据或无法/无法从头开始学习时提供帮助。

真正的答案取决于很多事情：你的数据集有多不平衡（一点点或很多？），你使用的算法类型（生成像贝叶斯或判别像支持向量机？），如何“可分离的”是类吗？或许还有更多其他事情。

使用贝叶斯分类器，您通常可以使用类的先验概率...

所以答案肯定会针对您正在处理的问题...您无法对这个问题有一个笼统的答案。

【讨论】：