基于样本不平衡度量感知优化策略的元学习算法设计与调参指南.pdfVIP

基于样本不平衡度量感知优化策略的元学习算法设计与调参指南1

基于样本不平衡度量感知优化策略的元学习算法设计与调参

指南

1.样本不平衡度量方法

1.1常见不平衡度量指标

样本不平衡度量是评估数据集中类别分布不均程度的关键步骤，直接影响后续模

型训练与优化策略的选择。以下是几种常用的不平衡度量指标：

•不平衡比率（ImbalanceRatio,IR）：定义为多数类样本数与少数类样本数的比

值。IR值越大，表示数据不平衡程度越高。例如，IR=10表示多数类样本数是少

数类的10倍。

•基尼系数（GiniCoefficient）：衡量数据集类别分布的不均匀性，取值范围为0

到1，值越接近1表示不平衡程度越高。基尼系数在类别数较多时能更细致地反

映不平衡情况。

•熵（Entropy）：信息熵可以衡量数据集的不确定性，熵值越低表示类别分布越不

均匀。对于二分类问题，熵的计算公式为：

−(p