不平衡样本的定义

Question

据我们所知，不平衡的样本会导致问题和更多的努力。

当我处理这个问题时，我对定义感到困惑。比如说，我有一个包含 200 只猫、200 只狗和 400 块石头的训练数据集。 当我要对数据集进行分类时，在分类 3 类时，我应该有 200 只猫、200 只狗和 200 块石头，当我只分类 2 类宠物和石头时，我应该分配什么？

我还应该选择400 pets（带 200 只猫和 200 只狗）和400 stones 吗？使类宠物和石头的数量相同。

还是我应该选择400 pets（带 200 只猫和 200 只狗）和200 stones？或者让所有内部类都有相同的概率被观看，毕竟猫和狗本质上是不同的。

Answer 1

我认为这取决于任务，如果您要将样本分为两类（宠物和石头），那么您必须使用所有 400 个宠物图像（猫和狗）和 400 个石头样本。但是，如果您有三个类别：猫、狗和石头；那么你需要将每个训练 epoch 的石头样本数量限制为 200 个。

为什么会这样？ 在宠物与石头两类的情况下：两个标签（宠物和石头）在每个时期更新模型的权重 400 次。因此，训练完成后，模型将能够等效地识别这两个类。

在三个类（猫、狗和石头）的情况下，猫和狗类每个时期更新权重 200 次，而石头类每个时期更新权重 400 次，因此模型将有更高的机会输出石头类比输出猫狗类。

因此，总而言之，您应该使所有类别的样本数量相同。

PS：如果您在三个类别的情况下从 400 个石头样本中随机选择 200 个样本，那么与其他两个类别相比，您的模型最终不会偏向于石头类别，但它会更好地概括在石头上与其他两个类相比，因为它看到了更多此类的独特样本。