Несбалансированность классов в доступных обучающих выборках при решении задач машинного обучения в большинстве практических случаев затрудняет тренировку предикторов, эффективно обобщающих закономерности обучающего датасета на генеральную совокупность. В работе исследованы теоретические основания эффективности добавления в обучающую выборку синтетических данных. В оценке общего риска выделено два типа ошибок: ошибка репрезентации и ошибка уклонения. Сформулированы практические рекомендации по созданию синтетических выборок, уклоняющихся в своем распределении от репрезентативных по плотности распределения аргумента, с более частыми сэмплами в тех областях, где плотность распределения аргумента имеет относительно малые значения, что ведет к уменьшению размера соответствующих ячеек Вороного и уменьшению вклада ошибки уклонения в общий риск.

синтетические данные, машинное обучение, ячейки Вороного, предиктор, обучающая выборка, общий риск, эмпирический риск, ошибка репрезентации, ошибка уклонения

Математическое моделирование в актуальных проблемах науки и техники

Чайников Юрий Сергеевич,  ,  orcid.org/0009-0000-0720-5189,  Московский авиационный институт

Судаков Владимир Анатольевич,  ,  orcid.org/0000-0002-1658-1941,  ИПМ им. М.В. Келдыша РАН