Kapitel 16 – Data Science Training

Ungleiche Verteilungen

Die Analyse des Binnings der Kategorien zum Attribut Age ergab, dass Child die höchste Überlebenswahrscheinlichkeit hat. Ein bekannter Verhaltenskodex in Extremsituationen heißt Frauen und Kinder zuerst. Anna und Karl versuchen deshalb unter den Titanic-Passagieren mit fehlendem Alter, diejenigen zu finden, die noch Kinder sind. Es gibt also nur zwei Klassen: Kind oder kein Kind. Es handelt sich um eine binäre Klassifikation. Hierfür kennen sie bereits viele Trainingsmethoden und Gütemaße zur Bewertung der trainierten Modelle. Allerdings waren Kinder auf der Titanic viel seltener als Erwachsene. Die beiden Trainees sehen sich daher mit einer ungleichen Verteilung der beiden Klassen konfrontiert. Sie lernen verschiedene Techniken kennen, wie sie damit umgehen können. Hierzu gehören Undersampling bzw. Equal Size Sampling sowie die Oversampling-Methoden Bootstrapping und Synthetic Minority Oversampling Technique (SMOTE). Am Ende wissen Anna und Karl nicht, ob sie lachen oder weinen sollen. Ihre Ergebnisse sind fantastisch. Doch es gibt einen Haken.

Keywords: binäre Klassifikation, ungleiche Verteilung, Undersampling, Equal Size Sampling, Oversampling, Bootstrapping, Synthetic Minority Oversampling Technique (SMOTE).