هنگامی که داده های تصویری شما بالانس نباشند، به این معنی که تعداد مثال های هر کلاس برابر نباشد، ممکن است باعث بروز چند مشکل در کلاسفیکشن تصاویر با استفاده از مدل های یادگیری ماشینی شود. برخی از این مشکلات عبارتند از:
1. بیش برازش (overfitting): در صورتی که یک کلاس با تعداد بیشتری از مثال ها نسبت به کلاس های دیگر در دیتاست وجود داشته باشد، ممکن است مدل فقط به دنبال تشخیص آن کلاس باشد و از کلاس های دیگر غافل شود. این مسئله می تواند باعث بروز بیش برازش گردد که در این صورت مدل برای مجموعه آموزش خوب عمل کرده، اما با داده های تست ارائه شده سختی داشته باشد.
2. پیش بینی غیرموثر: در صورتی که تعداد مثال های یک کلاس بیشتر از کلاس های دیگر باشد، ممکن است مدل به سمت آن کلاس تمایل پیدا کند و پیش بینی های نادرستی برای کلاس های کمتر تعداد داشته باشد.
3. ارائه پاسخ ضعیف: همانطور که مدل های یادگیری ماشین از داده های تصویری یاد می گیرند، در صورتی که یک کلاس نمونه کافی نداشته باشد، ممکن است مدل نتواند به طور کامل ویژگی های آن کلاس را یاد بگیرد و در نتیجه، پاسخ های غیردقیقی در مقابل داده های تصویری ناشناخته ارائه دهد.
4.کاهش در عملکرد: زمانی که یک مدل با استفاده از یک دیتاست نامتوازن آموزش داده شود، ممکن است با کاهش در عملکرد آن هنگامی که بر روی داده های تست اعمال شود، مواجه شویم.
جهت پیشگیری از این مشکلات، می توانید از روش هایی مانند اورسمپلینگ، اندرسمپلینگ یا استفاده از توابع وزن دار به منظور تعادل داده های دیتاست در طول فرآیند آموزش استفاده کنید.