Несбалансированные наборы данных — это те, в которых количество выборок, принадлежащих одному классу, значительно больше, чем количество выборок, принадлежащих другому классу (классам). Это может быть проблемой при построении моделей машинного обучения, поскольку модель с большей вероятностью будет предсказывать класс с большим количеством выборок, что приведет к низкой производительности в классе меньшинства.

При создании моделей классификации в машинном обучении одной из распространенных проблем, с которыми мы сталкиваемся, является дисбаланс данных. Например, при прогнозировании мошенничества с кредитными картами или некоторых редких заболеваний соотношение положительных и отрицательных значений может составлять 1 к 10 или даже 1 к 100. Это может привести к серьезной проблеме: модель может иметь тенденцию прогнозировать каждую запись как отрицательную для достижения положительного..