การสุ่มตัวอย่าง (Sampling) เป็นวิธีที่ใช้กันอย่างกว้างขวางสำหรับจัดการปัญหาความไม่สมดุลของคลาส (Class Imbalance Problem) แนวคิดของการสุ่มตัวอย่างคือการเปลี่ยนแปลงการกระจายของตัวอย่าง (Examples) เพื่อให้คลาสหายาก (Rare Class) ถูกแทนที่ได้ดีในชุดฝึกอบรม มีเทคนิคต่างๆ สำหรับการสุ่มตัวอย่าง เช่น undersampling, oversampling, และผสมผสานของทั้งสองแนวทาง
ตัวอย่าง พิจารณาชุดข้อมูลที่มีตัวอย่างบวก (Positive Examples) 100 และตัวอย่างลบ (Negative Examples) 1000
ในวิธี undersampling ตัวอย่างสุ่มของตัวอย่างลบ 100 ถูกเลือกเพื่อสร้างชุดฝึกอบรมร่วมกับตัวอย่างบวกทั้งหมด ปัญหาหนึ่งกับวิธีนี้คือ บางตัวอย่างลบที่มีประโยชน์อาจไม่ถูกเลือกสำหรับการฝึกอบรม ดังนั้น ทำให้ได้โมเดลที่น้อยกว่าที่เหมาะสม (Less than Optimal Model)
วิธีที่จะเอาชนะปัญหานี้คือการนำ undersampling ไปใช้หลายครั้ง และนำตัวแบ่งประเภทหลายตัวมาใช้ คล้ายกับแนวทาง ensemble learning (Ensemble Learning Approach) Undersampling แบบโฟกัส (Focused Undersampling) สามารถใช้ได้ โดยกระบวนการสุ่มตัวอย่างทำตัวเลือกที่มีข้อมูล (Informed Choice) เกี่ยวกับตัวอย่างลบที่ควรลบ เช่น ที่ตั้งอยู่ไกลจากขอบเขตการตัดสินใจ (Decision Boundary)
Oversampling (การสุ่มตัวอย่างเกิน) สะท้อนตัวอย่างบวกจนกว่าชุดฝึกอบรมจะมีจำนวนตัวอย่างบวกและลบเท่ากัน ผลของ oversampling ต่อการพัฒนาขอบเขตการตัดสินใจโดยใช้ตัวแบ่งประเภทรวมถึงต้นไม้ตัดสินใจ ตัวอย่างบวกถูกจำแนกผิดเพราะไม่มีตัวอย่างเพียงพอที่จะยืนยันการสร้างขอบเขตการตัดสินใจใหม่เพื่อแยกอินสแตนซ์บวกและลบ
แต่สำหรับข้อมูลที่มีสัญญาณรบกวน (Noisy Data) oversampling สามารถสร้างการเรียนรู้เกินของโมเดล (Model Overfitting) ได้ เพราะตัวอย่างสัญญาณรบกวนบางส่วนสามารถถูกจำลองหลายครั้ง Oversampling ไม่แทรกข้อมูลใหม่ใดๆ เข้าไปในชุดฝึกอบรม การจำลองตัวอย่างบวกป้องกันอัลกอริทึมการเรียนรู้จากการตัดแต่ง (Pruning) ส่วนเฉพาะของโมเดลที่กำหนดพื้นที่ที่มีตัวอย่างฝึกอบรมบางส่วน (คือ small disjuncts) ตัวอย่างบวกที่มากขึ้นยังส่งผลให้เวลาคำนวณสำหรับการสร้างโมเดลเพิ่มขึ้น
วิธีผสมผสาน (Hybrid Approach) ต้องการชุดของ undersampling คลาสส่วนใหญ่ (Majority Class) และ oversampling คลาสหายาก (Rare Class) เพื่อนำไปสู่การกระจายคลาสที่สม่ำเสมอ (Uniform Class Distribution) Undersampling สามารถนำไปใช้โดยการสุ่ม (Random) หรือ focused subsampling Oversampling สามารถทำได้โดยการจำลองตัวอย่างบวกที่มีอยู่ หรือสร้างตัวอย่างบวกใหม่ในย่านรอบๆ ของตัวอย่างบวกที่มีอยู่
เรียนรู้ Sampling สำหรับ Class Imbalance: Undersampling (ลด Majority Class), Oversampling (เพิ่ม Minority Class), Hybrid, Focused Undersampling (ใกล้ Decision Boundary), Oversampling Overfitting Risk, Small Disjuncts
