Nguồn tham khảo: Krawczyk, B. (2016). Learning from imbalanced data: open challenges and future directions. Progress in Artificial Intelligence, 5(4), 221–232. https://doi.org/10.1007/s13748-016-0094-0
Truy cập toàn văn: https://doi.org/10.1007/s13748-016-0094-0
Tóm tắt nội dung
Krawczyk nhìn lại hơn hai thập kỷ phát triển của lĩnh vực học từ dữ liệu mất cân bằng và đặt câu hỏi: những vấn đề nào còn bỏ ngỏ. Tác giả cho rằng chủ đề này đã vượt xa khởi điểm là bài toán nhị phân có phân phối lệch. Sự mở rộng của học máy, khai phá dữ liệu và thời kỳ dữ liệu lớn vừa giúp hiểu sâu hơn bản chất vấn đề, vừa đặt ra thách thức mới. Các phương pháp ở mức dữ liệu và mức thuật toán liên tục được cải tiến, còn hướng lai ghép ngày càng phổ biến.
Xu hướng gần đây không chỉ xét chênh lệch giữa các lớp mà còn xét những khó khăn khác vốn có trong dữ liệu; các bài toán thực tế mới cũng đòi hỏi phương pháp hiệu quả về tính toán, thích ứng và chạy theo thời gian thực. Bài viết xác định bảy hướng nghiên cứu then chốt, bao quát phân loại, hồi quy, phân cụm, luồng dữ liệu, phân tích dữ liệu lớn và các ứng dụng như mạng xã hội hay thị giác máy tính, kèm gợi ý cho từng hướng.
Với bài toán dự báo sinh viên bỏ học, tài liệu nhắc rằng khó khăn không chỉ ở tỷ lệ bỏ học thấp mà còn ở cấu trúc dữ liệu, như các nhóm sinh viên chồng lấn đặc điểm hay dữ liệu đến dần theo học kỳ, vì vậy không nên mặc định lấy mẫu lại.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Các tổng quan về học từ dữ liệu mất cân bằng chia giải pháp thành nhóm ở mức dữ liệu (lấy mẫu lại), nhóm ở mức thuật toán (trọng số, học nhạy chi phí) và nhóm lai (He và Garcia, 2009; Krawczyk, 2016; Haixiang và cộng sự, 2017). Krawczyk (2016) còn nhấn mạnh rằng khó khăn không chỉ đến từ tỷ lệ chênh lệch giữa các lớp mà còn từ những đặc tính khác của dữ liệu.
Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp