O que é Undersampling (Subamostragem)?
A subamostragem, também conhecida como undersampling, é uma técnica utilizada no campo da aprendizagem de máquina para lidar com conjuntos de dados desbalanceados. Quando temos um conjunto de dados desbalanceado, significa que uma classe é representada por um número muito maior de exemplos do que outra classe. Isso pode ser um problema, pois os algoritmos de aprendizagem de máquina tendem a ter um desempenho inferior quando treinados em conjuntos de dados desbalanceados.
A subamostragem é uma abordagem que visa equilibrar as classes em um conjunto de dados desbalanceado, reduzindo o número de exemplos da classe majoritária para que fiquem em proporção com a classe minoritária. Essa técnica pode ser aplicada em problemas de classificação binária, onde temos apenas duas classes, ou em problemas de classificação multiclasse, onde temos mais de duas classes.
Existem diferentes métodos de subamostragem que podem ser utilizados, como o Random Undersampling, o Cluster Centroids Undersampling e o NearMiss Undersampling. Cada um desses métodos possui suas próprias características e pode ser mais adequado para diferentes tipos de conjuntos de dados.
Título
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Ut elit tellus, luctus nec ullamcorper mattis, pulvinar dapibus leo.
O Random Undersampling é o método mais simples de subamostragem, onde exemplos aleatórios da classe majoritária são removidos até que a proporção entre as classes seja equilibrada. Esse método pode ser rápido de ser aplicado, mas pode levar à perda de informações importantes contidas nos exemplos removidos.
O Cluster Centroids Undersampling é um método que utiliza técnicas de agrupamento para identificar os exemplos da classe majoritária que são mais representativos e preservá-los, removendo apenas os exemplos menos representativos. Esse método pode ser mais eficiente em termos de preservação de informações, mas pode ser computacionalmente mais custoso.
O NearMiss Undersampling é um método que seleciona exemplos da classe majoritária com base na distância em relação aos exemplos da classe minoritária. Existem diferentes variantes do NearMiss, como o NearMiss-1, o NearMiss-2 e o NearMiss-3, que levam em consideração diferentes critérios de seleção. Esses métodos visam selecionar exemplos da classe majoritária que estão mais próximos dos exemplos da classe minoritária, de forma a preservar as informações mais relevantes para a classificação.
A escolha do método de subamostragem a ser utilizado depende do conjunto de dados e do problema em questão. É importante avaliar os resultados obtidos com diferentes métodos e escolher aquele que melhor se adequa às necessidades específicas do projeto.
Além da subamostragem, existem outras técnicas que podem ser utilizadas para lidar com conjuntos de dados desbalanceados, como a sobreamostragem (oversampling) e a combinação de subamostragem e sobreamostragem. A sobreamostragem consiste em aumentar o número de exemplos da classe minoritária, enquanto a combinação de subamostragem e sobreamostragem busca equilibrar as classes através da redução da classe majoritária e do aumento da classe minoritária.
Em resumo, a subamostragem é uma técnica utilizada para lidar com conjuntos de dados desbalanceados, equilibrando as classes através da redução do número de exemplos da classe majoritária. Existem diferentes métodos de subamostragem que podem ser utilizados, cada um com suas próprias características. A escolha do método adequado depende do conjunto de dados e do problema em questão.
Espero que este glossário tenha sido útil para você entender o que é undersampling e como essa técnica pode ser aplicada na prática. Se tiver alguma dúvida ou quiser saber mais sobre o assunto, deixe um comentário abaixo. Estou à disposição para ajudar!
