वर्गीकरण में प्रशिक्षण डेटा उत्पन्न करने के लिए स्तरीकृत बनाम यादृच्छिक नमूनाकरण के लाभ

Question

मैं यह जानना चाहूंगा कि क्या वर्गीकरण के लिए मूल डेटासेट को प्रशिक्षण और परीक्षण में विभाजित करते समय यादृच्छिक नमूने के बजाय स्तरीकृत नमूने का उपयोग करने के कोई / कुछ फायदे हैं।

इसके अलावा, स्तरीकृत नमूने यादृच्छिक नमूनाकरण की तुलना में क्लासिफायर में अधिक पूर्वाग्रह का परिचय देता है?

आवेदन, जिसके लिए मैं डेटा तैयारी के लिए स्तरीकृत नमूने का उपयोग करना चाहूंगा, एक यादृच्छिक वन वर्गीकरण है, जिसे पर प्रशिक्षित किया गया है$\frac{2}{3}$

[१] चावला, नितेश वी।, एट अल। " SMOTE: सिंथेटिक अल्पसंख्यक अति-नमूना तकनीक। " जर्नल ऑफ आर्टिफिशियल इंटेलिजेंस रिसर्च 16 (2002): 321-357।

Answer 1

स्तरीकृत नमूनाकरण का उद्देश्य एक डेटा सेट को विभाजित करना है ताकि प्रत्येक विभाजन किसी चीज के संबंध में समान हो।

एक वर्गीकरण सेटिंग में, यह सुनिश्चित करने के लिए अक्सर चुना जाता है कि ट्रेन और परीक्षण सेट में प्रत्येक लक्ष्य वर्ग के लगभग समान प्रतिशत पूर्ण सेट के रूप में हैं।

नतीजतन, यदि डेटा सेट में प्रत्येक वर्ग की एक बड़ी मात्रा है, तो स्तरीकृत नमूनाकरण यादृच्छिक नमूने के समान ही है। लेकिन यदि डेटा सेट में एक वर्ग का बहुत अधिक प्रतिनिधित्व नहीं है, जो आपके डेटासेट में मामला हो सकता है क्योंकि आप अल्पसंख्यक वर्ग की निगरानी करने की योजना बनाते हैं, तो स्तरीकृत नमूने ट्रेन में एक अलग लक्ष्य वर्ग वितरण प्राप्त कर सकते हैं और परीक्षण सेट से क्या यादृच्छिक हो सकता है सैंपलिंग से उपज मिल सकती है।

ध्यान दें कि स्तरीकृत नमूनाकरण को अगली ट्रेन और परीक्षण सेटों में कुछ सुविधाओं को समान रूप से वितरित करने के लिए डिज़ाइन किया जा सकता है। उदाहरण के लिए, यदि प्रत्येक नमूना एक व्यक्ति का प्रतिनिधित्व करता है, और एक विशेषता आयु है, तो यह कभी-कभी ट्रेन और परीक्षण सेट दोनों में समान आयु वितरण के लिए उपयोगी होता है।

जानकारी के लिए:

• स्तरीकृत क्रॉस सत्यापन का उपयोग क्यों करें? यह विचरण से संबंधित लाभ को नुकसान क्यों नहीं पहुंचाता है?
• स्तरीकृत क्रॉस-सत्यापन को समझना