Einführung
In diesem Projekt lernst du, wie du einen unbalancierten Datenpipeline implementierst, der unbalancierte Datensätze verarbeiten und Batches mit annähernd balancierten Klassenverteilungen generieren kann. Dies ist eine häufige Aufgabe in der Maschinellen Lernen, bei der der Datensatz möglicherweise erheblich mehr Proben von einer Klasse im Vergleich zu anderen hat, was zu einem verzerrten Modelltraining und schlechter Leistung führen kann.
🎯 Aufgaben
In diesem Projekt wirst du lernen:
- Wie du die Funktionalität des Upsamplings und Downsamplings implementierst, um die Stichprobenverteilung innerhalb eines Batches zu balancieren.
- Wie du einen Batch von Proben mit einer Stichprobenanzahl ausgibst, die der Batchgröße entspricht, wobei die Verteilung der Labels innerhalb des Batches so gleichmäßig wie möglich ist.
- Wie du die unbalancierte Datenpipeline testest, um sicherzustellen, dass sie wie erwartet funktioniert.
🏆 Errungenschaften
Nach Abschluss dieses Projekts wirst du in der Lage sein:
- Unbalancierte Datensätze in der Maschinellen Lernen zu behandeln.
- Techniken für Upsampling und Downsampling anzuwenden, um die Klassenverteilungen zu balancieren.
- Einen Datenpipeline zu implementieren, der aus einem unbalancierten Datensatz balancierte Batches generieren kann.
