การปรับปรุงการจำแนกประเภทข้อมูลไม่สมดุลด้วยแบบจำลองโครงข่ายประสาทเทียมที่ผ่านการเรียนรู้แบบเสริมกำลัง

ปัญหาชุดข้อมูลในแต่ละกลุ่มไม่สมดุลกันจะส่งผลต่อการทำงานของอัลกอริทึมมาตราฐานในงานจำแนกประเภทข้อมูล เป็นอย่างมาก เมื่อมีการนำชุดข้อมูลเหล่านี้ไปใช้งานโดยไม่ผ่านกระบวนการเตรียมข้อมูลให้ข้อมูลทุกกลุ่มมีขนาดใกล้เคียงกันจะ ส่งผลให้ความแม่นยำของแบบจำลองมีความลำเอียง โดยประสิทธิภาพของการทำนายข้อมูลจะต่ำมากสำหรับกลุ่มที่มีข้อมูลน้อยแต่ จะทำนายได้แม่นยำในกลุ่มที่มีข้อมูลมาก ในงานวิจัยนี้ได้นำแบบจำลองโครงข่ายประสาทเทียมที่ผ่านการเรียนรู้แบบเสริมกำลังเพื่อ แก้ปัญหาความไม่สมดุลของข้อมูลและทดสอบประสิทธิภาพของแบบจำลองด้วยชุดข้อมูลรูปภาพของ MNIST ซึ่งเป็นข้อมูลตัวเลข 0 ถึง 9 จำนวน 70,000 รูป ในงานวิจัยนี้ได้ทำการจำลองข้อมูลที่สมดุลให้เป็นชุดข้อมูลที่ไม่สมดุลด้วยการนำคลาสหมายเลข 5 มา สุ่มอย่างง่ายให้มีจำนวนที่น้อยกว่าคลาสที่เหลือ แบ่งชุดทดลองออกเป็น 2 ชุด ชุดที่ 1 มีอัตราส่วนความไม่สมดุลของข้อมูลอยู่ที่ 1 ถึง 15 โดยเพิ่มค่า IR ขึ้นทีละ 1 และชุดที่ 2 มีอัตราส่วนความไม่สมดุลของข้อมูลอยู่ที่ 1 ถึง 40 โดยเพิ่ม IR ขึ้นทีละ 5 ผลการวิจัย พบว่า แบบจำลองที่นำเสนอสามารถนำมาใช้แก้ปัญหาการจำแนกประเภทข้อมูลไม่สมดุลที่มีอัตราส่วนความไม่สมดุลสูงได้อย่างมี ประสิทธิภาพเมื่อเทียบกับแบบจำลองมาตรฐาน