Mejorando la exactitud balanceada para especies de plantas minoritarias con datos desbalanceados

Resumen

A pesar del ampliamente conocido éxito del aprendizaje profundo en tareas de clasificación,
estos modelos se miden comúnmente con métricas que no tienen en cuenta el desbalance de
datos, especialmente en términos de predicciones por clase, ignorando las clases minoritarias.
Esto puede ser un problema, ya que las clases minoritarias suelen ser las más difíciles de
predecir y en términos de recolección de datos. En el dominio de las plantas, por ejemplo, las
especies con un menor número de muestras son a menudo las más difíciles de recolectar y
predecir en el campo. A medida que se siguen identificando más y más especies de plantas,
más de ellas se vuelven minoritarias, lo que dificulta cada vez más la clasificación precisa
utilizando métodos tradicionales de aprendizaje automático. Para abordar este problema, se
explora la combinación de enfoques de los datos y tradicionales de aprendizaje automático con
técnicas de aprendizaje profundo, como la auto-supervisión en una etapa de preprocesamiento.
Al utilizar el entrenamiento auto supervisado junto con diferentes algoritmos de muestreo y pesos
de clase, logramos mejorar la métrica de exactitud balanceada para las especies de plantas
minoritarias entre el 7.9% y el 13% sin afectar la datos general. Esto demuestra que el uso de
técnicas de aprendizaje profundo en combinación con métodos tradicionales de aprendizaje
automático puede ayudar a mejorar la precisión de las predicciones para clases minoritarias,
incluso en dominios donde los datos son limitados.