« Sous-échantillonnage aléatoire » : différence entre les versions


Aucun résumé des modifications
m (Remplacement de texte : « ↵<small> » par «  ==Sources== »)
 
(4 versions intermédiaires par 3 utilisateurs non affichées)
Ligne 1 : Ligne 1 :
== Définition ==
== Définition ==
Une approche pour résoudre le problème du déséquilibre de classe consiste à rééchantillonner de manière aléatoire l'ensemble de données d'apprentissage. Les deux principales approches pour rééchantillonner au hasard un ensemble de données déséquilibré consistent à supprimer des exemples de la classe majoritaire, appelés '''sous-échantillonnage''', et à dupliquer des exemples de la classe minoritaire, ce qu'on appelle '''suréchantillonnage'''.
Une approche pour résoudre le problème du déséquilibre de classe consiste à rééchantillonner de manière aléatoire l’ensemble de données d’apprentissage. Les deux principales approches pour rééchantillonner au hasard un ensemble de données déséquilibré consistent à supprimer des exemples de la classe majoritaire, appelé '''sous-échantillonnage''', et à dupliquer des exemples de la classe minoritaire, ce qu’on appelle '''suréchantillonnage'''.


== Français ==
== Français ==
'''Sous-échantillonnage aléatoire'''  <small> masculin </small>
'''Sous-échantillonnage aléatoire'''   


'''Sur-échantillonnage aléatoire'''  <small> masculin </small>
'''Sur-échantillonnage aléatoire'''   


== Anglais ==
== Anglais ==
Ligne 13 : Ligne 13 :




<small>
==Sources==


[https://machinelearningmastery.com/random-oversampling-and-undersampling-for-imbalanced-classification/  Source : machine learning mastery ]
[https://machinelearningmastery.com/random-oversampling-and-undersampling-for-imbalanced-classification/  Source : machine learning mastery ]


[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:Scotty2]]

Dernière version du 28 janvier 2024 à 13:03

Définition

Une approche pour résoudre le problème du déséquilibre de classe consiste à rééchantillonner de manière aléatoire l’ensemble de données d’apprentissage. Les deux principales approches pour rééchantillonner au hasard un ensemble de données déséquilibré consistent à supprimer des exemples de la classe majoritaire, appelé sous-échantillonnage, et à dupliquer des exemples de la classe minoritaire, ce qu’on appelle suréchantillonnage.

Français

Sous-échantillonnage aléatoire

Sur-échantillonnage aléatoire

Anglais

Random Under-Sampling

Random Over-Sampling


Sources

Source : machine learning mastery



Contributeurs: Imane Meziani, wiki, Sihem Kouache