सैंपलिंग क्लास असंतुलन समस्या को संभालने के लिए एक व्यापक रूप से उपयोग की जाने वाली विधि है। सैंपलिंग की अवधारणा उदाहरणों के वितरण को बदलना है ताकि दुर्लभ कक्षा प्रशिक्षण सेट में अच्छी तरह से प्रतिनिधित्व करे। सैंपलिंग के लिए विभिन्न तकनीकें हैं जैसे अंडरसैंपलिंग, ओवरसैंपलिंग, और दोनों दृष्टिकोणों का एक हाइब्रिड। उदाहरण के लिए, एक डेटा सेट पर विचार करें जिसमें 100 सकारात्मक उदाहरण और 1000 नकारात्मक उदाहरण शामिल हैं।
अंडरसैंपलिंग की विधि में, 100 नकारात्मक उदाहरणों का एक यादृच्छिक नमूना सभी सकारात्मक उदाहरणों के साथ प्रशिक्षण सेट बनाने के लिए चुना जाता है। इस विधि के साथ एक मुद्दा यह है कि कुछ उपयोगी नकारात्मक उदाहरण प्रशिक्षण के लिए नहीं चुने जा सकते हैं, इसलिए, एक इष्टतम से कम मॉडल का परिणाम होता है।
इस समस्या को दूर करने की विधि अंडरसैंपलिंग को कई बार लागू करना और एन्सेम्बल लर्निंग दृष्टिकोण के समान कई क्लासिफायर प्रेरित करना है। फोकस्ड अंडरसैंपलिंग विधियों का उपयोग किया जा सकता है, जहां नमूनाकरण प्रक्रिया उन नकारात्मक उदाहरणों के बारे में एक सूचित विकल्प बनाती है जिन्हें हटाया जाना चाहिए, जैसे कि निर्णय सीमा से दूर स्थित।
ओवरसैंपलिंग सकारात्मक उदाहरणों को तब तक दोहराता है जब तक प्रशिक्षण सेट में सकारात्मक और नकारात्मक उदाहरणों की समान संख्या न हो जाए। एक क्लासिफायर का उपयोग करके निर्णय सीमा के विकास पर ओवरसैंपलिंग का प्रभाव जिसमें निर्णय वृक्ष शामिल है। सकारात्मक उदाहरण गलत वर्गीकृत होता है क्योंकि एक नई निर्णय सीमा के निर्माण को मान्य करने के लिए पर्याप्त उदाहरण नहीं हैं जो सकारात्मक और नकारात्मक उदाहरणों को अलग करती है।
लेकिन शोर जानकारी के लिए, ओवरसैंपलिंग मॉडल ओवरफिटिंग उत्पन्न कर सकता है क्योंकि कई शोर उदाहरण कई बार दोहराए जा सकते हैं। ओवरसैंपलिंग प्रशिक्षण सेट में कोई नया डेटा नहीं डालता है। सकारात्मक उदाहरणों की प्रतिकृति सीखने के एल्गोरिदम को मॉडल के विशिष्ट भागों को प्रून करने से रोकती है जो उन क्षेत्रों को परिभाषित करते हैं जिनमें कुछ प्रशिक्षण उदाहरण शामिल हैं (यानी, छोटे डिसजंक्ट्स)। अधिक सकारात्मक उदाहरण मॉडल निर्माण के लिए गणना समय के विस्तार को भी प्रभावित करते हैं।
हाइब्रिड विधि बहुमत कक्षा के अंडरसैंपलिंग के एक सेट और दुर्लभ कक्षा के ओवरसैंपलिंग की आवश्यकता होती है ताकि समान कक्षा वितरण लागू किया जा सके। अंडरसैंपलिंग को यादृच्छिक या फोकस्ड सबसैंपलिंग का उपयोग करके लागू किया जा सकता है। ओवरसैंपलिंग वर्तमान सकारात्मक उदाहरणों को दोहराकर या वर्तमान सकारात्मक उदाहरणों के पड़ोस में नए सकारात्मक उदाहरण उत्पन्न करके किया जा सकता है।
