5조

만일 점진적 학습을 진행하는데 새로운 클래스 데이터가 조금 들어오게 된다면 샘플 불균형 문제가 발생할텐데, 어떻게 해결할 수 있나요?

• 윤서

손형진: lr 를 높인다.

김두종: 새로운 클래스의 가중치를 높게 설정해서 중요도를 맞추는 방법이 있을 수 있다.

이준혁: ‘새로운 클래스’의 데이터 수가 상대적으로 부족한 상태에서 점진적 재학습이 가능하다면, undersampling 혹은 oversampling 을 통해 새로운 클래스 데이터와 기존의 데이터들 간 불균형을 맞추면 된다.

김채령: 소수 클래스의 데이터 추가 수집

김기범: 새로 들어온 데이터에 대해서 잘못 분류했을 경우 패널티를 더 크게 작용하게 한다.

3-1. 소수 클래스의 데이터 추가 수집 (Get more minority data)

3-2. 불균형 데이터 분류 모델에 적합한 성능평가 지표 선정

(evaluation metrics for imbalanced classification)

3-3. 샘플링 방법 (Sampling methods)

3-3-1. Undersampling

: Random Sampling, Tomek Links