Tag: class-imbalance-learning
-
【AI 核心深度 M2-114】解释 EasyEnsemble 与 BalanceCascade 等不平衡集成方法（Imbalanced Ensembling: EasyEnsemble and BalanceCascade Explained）深度数理推导与工程落地解析
用多个欠采样子集训练多个模型后集成；避免欠采样丢信息，也避免过采样过拟合。
-
【AI 核心深度 M2-115】解释不平衡场景下的监控与上线后评估要点（Post-Deployment Monitoring and Evaluation Under Severe Class Imbalance）深度数理推导与工程落地解析
监控正类比例漂移、分群性能、校准质量与业务指标；不平衡使离线指标易失真。
-
【AI 核心深度 M2-071】处理类别不平衡的主要方法有哪些？（Major Approaches for Handling Class Imbalance）深度数理推导与工程落地解析
重采样（过/欠采样）、代价敏感、阈值调整、集成、异常检测视角。
-
【AI 核心深度 M2-072】SMOTE 的原理是什么？有什么风险（SMOTE Algorithm: Core Mechanism, Theoretical Risks, and Limitations）深度数理推导与工程落地解析
在少数类近邻之间线性插值生成合成样本；风险是噪声放大、类别重叠区生成错误样本。
-
【AI 核心深度 M2-073】为什么不平衡数据下应优先看 PR-AUC 而不是 ROC-AUC？（Why Prioritize PR-AUC Over ROC-AUC in Highly Imbalanced Regimes?）深度数理推导与工程落地解析
ROC 的 FPR 分母是大量负样本，被稀释后曲线仍好看；PR 曲线对少数类更敏感。
-
【AI 核心深度 M2-074】如何选择分类阈值？不同业务目标下的策略（Classification Threshold Selection Strategies Across Diverse Business Objectives）深度数理推导与工程落地解析
按代价矩阵最小化期望损失，或按业务约束（召回下限）定阈值；用验证集选并考虑校准。
-
【AI 核心深度 M2-075】代价敏感学习如何实现？与重采样的关系（Cost-Sensitive Learning: Implementation and Relationship with Re-sampling）深度数理推导与工程落地解析
在损失中给不同类别不同权重；等价于按权重重采样（近似），但更稳定且不改变数据分布。