Ein ML-Ingenieur inspiziert einen Klassifizierungsdatensatz, bevor er ein Modell in Amazon SageMaker trainiert, und vermutet ein großes Ungleichgewicht der Klassenbezeichnungen, das das Modell verzerren könnte. Welche Metrik vor dem Training sollte der Ingenieur verwenden, um das Klassenungleichgewicht zu bestätigen?

Die Differenz der Label-Proportionen (DPL) ist eine Metrik vor dem Training, die speziell entwickelt wurde, um Klassenungleichgewichte in einem Datensatz zu quantifizieren. Sie misst den Unterschied in den relativen Häufigkeiten der verschiedenen Klassen und hilft so, potenzielle Verzerrungen zu identifizieren, bevor das Modell trainiert wird. Ein hoher DPL-Wert deutet auf ein signifikantes Ungleichgewicht hin. Der mittlere quadratische Fehler (MSE) ist eine Metrik zur Bewertung der Modellleistung bei Regressionsaufgaben, nicht zur Messung von Klassenungleichgewichten. Der Silhouette-Score wird zur Bewertung der Qualität von Clustering-Ergebnissen verwendet. Der Structural Similarity Index Measure (SSIM) wird zur Messung der Ähnlichkeit zwischen zwei Bildern verwendet.