Nguồn tham khảo: van den Goorbergh, R., van Smeden, M., Timmerman, D., & Van Calster, B. (2022). The harm of class imbalance corrections for risk prediction models: illustration and simulation using logistic regression. Journal of the American Medical Informatics Association, 29(9), 1525–1534. https://doi.org/10.1093/jamia/ocac093
Truy cập toàn văn: https://doi.org/10.1093/jamia/ocac093
Tóm tắt nội dung
van den Goorbergh và cộng sự tìm hiểu tác động của các phương pháp hiệu chỉnh mất cân bằng lớp, tức chênh lệch giữa tần suất có và không có sự kiện, tới hiệu năng của hồi quy logistic. Mô hình được xây dựng bằng hồi quy logistic chuẩn và hồi quy logistic có phạt (ridge) theo bốn cách: không hiệu chỉnh, giảm mẫu ngẫu nhiên, tăng mẫu ngẫu nhiên và SMOTE, rồi được đánh giá về khả năng phân biệt, độ hiệu chuẩn và kết quả phân loại.
Bằng mô phỏng Monte Carlo, các tác giả khảo sát ảnh hưởng của cỡ tập huấn luyện, số biến dự báo và tỷ lệ sự kiện, kèm một nghiên cứu tình huống về chẩn đoán ung thư buồng trứng. Cả ba kỹ thuật hiệu chỉnh đều khiến mô hình hiệu chuẩn kém, ước lượng quá cao xác suất thuộc lớp thiểu số, trong khi diện tích dưới đường ROC không tăng. Hiệu chỉnh có cân bằng lại độ nhạy và độ đặc hiệu, nhưng chỉ cần dịch ngưỡng xác suất cũng đạt kết quả tương tự.
Kết luận là mất cân bằng tự nó không phải vấn đề, và hiệu chỉnh thậm chí có thể làm mô hình kém đi. Với bài toán dự báo sinh viên bỏ học, ít nhất khi dùng hồi quy logistic, tài liệu gợi ý giữ nguyên phân phối dữ liệu, tập trung vào chọn ngưỡng và kiểm tra hiệu chuẩn, thay vì mặc định áp dụng SMOTE.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Thứ hai, như van den Goorbergh và cộng sự (2022) chỉ ra, lấy mẫu lại thường không cải thiện khả năng xếp hạng mà lại làm lệch xác suất.
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