Un ingegnere ML sta ispezionando un dataset di classificazione prima di addestrare un modello in Amazon SageMaker e sospetta un forte squilibrio nelle etichette di classe che potrebbe distorcere il modello. Quale metrica di pre-addestramento dovrebbe usare l'ingegnere per confermare lo squilibrio di classe?

La Differenza nelle Proporzioni delle Etichette (DPL) è la metrica più appropriata per confermare lo squilibrio di classe in un dataset di classificazione. La DPL calcola la differenza tra le proporzioni di ciascuna classe, fornendo una misura diretta di quanto una classe sia più o meno rappresentata rispetto alle altre. Un valore DPL elevato indica un significativo squilibrio. L'Errore Quadratico Medio (MSE) è una metrica per problemi di regressione, non di classificazione, e misura la differenza media al quadrato tra i valori previsti e quelli effettivi. Lo Silhouette Score è utilizzato per valutare la qualità dei cluster in algoritmi di clustering non supervisionato. La Misura dell'Indice di Similarità Strutturale (SSIM) è usata per valutare la somiglianza tra due immagini, non per l'analisi dello squilibrio di classe.