Сбалансированные данные – успех в ML: Oversampling и Undersampling

1. Не упомянуто про то, что можно в случае разбалансировки изменять loss функцию (для доминирующего класса уменьшать значение loss)

2. Из статьи не понятно, когда следует использовать именно Undersampling

3. Undersampling можно делать и по другому. Обучаем слабый классификатор (в случае задачи классификации) на небольшом (5%) объеме данных. После этого смотрим насколько уверенно и правильно этот классификатор работает на оставшихся 95%. Те объекты, на которых ошибается переносим в обучающую выборку ("добавка"), туда же можем переносить и неуверенно распознанные объекты. После этого обучаем финальную модель на 5%+добавка.