Skip to main content

> ML_KUTUPHANE // IMBALANCED-LEARN_v1.0

imbalanced-learn

scikit-learn-contrib — Şiddetli sınıf dengesizliğine sahip veri setleri için sınıflandırma araç seti.

classical-mlv0.12.4MITqualified
Resmi DokümantasyonKaynak Kod Deposu

Model Eğitimi (Training)

Destekleniyor
Desteklenen Hızlandırıcılar:
CPU
Dağıtık Eğitim (Distributed):Hayır

Model Sunumu (Inference)

Destekleniyor
Inference Hızlandırıcıları:
CPU
Hedef Ortamlar (Targets):server, edge

Neleri Sağlar (Ne Yapar)

  • +Sentetik azınlık örnekleriyle aşırı örnekleme (SMOTE, ADASYN)
  • +Çoğunluk sınıflarını alt örnekleme (RandomUnderSampler, TomekLinks, NearMiss)
  • +scikit-learn ile uyumlu dengelenmiş topluluk sınıflandırıcıları

Neleri Sağlamaz (Ne Yapmaz)

  • -Yerel olarak GPU üzerinde hızlanma
  • -Akış zaman serisi kaymalarını doğrudan yönetme
  • -Derin üretici ağlar eğitme

>Uygun İş Tipleri

  • %0.1'den daha az pozitif sınıf oranına sahip finansal sahtekarlık tespiti
  • Nadir tıbbi teşhis modelleme
  • Üretim hata tespiti

>Uygun Olmayan İş Tipleri

  • Doğal olarak dengeli çok sınıflı problemler
  • Bilgisayarlı görü üretici veri artırımı
Veri Yerleşimi ve İkameti

Yalnızca süreç içi bellek.

Güvenlik Değerlendirmesi

Güvenli kütüphane; standart scikit-learn güvenlik kuralları geçerlidir.

Operasyonel Metrikler ve Bilinen Kısıtlar

Olgunluk:mature
Öğrenme Eğrisi:low
Operasyon Yükü:low
Maliyet Seviyesi:free-oss
> Bilinen Kısıtlamalar:
  • Çapraz doğrulama ayrımından önce uygulanırsa sentetik veri sızıntısına (data leakage) yol açabilir.
  • Çok boyutlu büyük verilerde yüksek hesaplama karmaşıklığı.

İlişkili Üretim Arıza Paternleri (Incidentpedia)

Bu kütüphaneyi üretimde kullanırken aşağıdaki arıza senaryolarına karşı fail-closed korumalar uygulayın:

training-serving-skew

> Birincil Kanıt ve Doğrulama Kaynakları

imbalanced-learn Documentationofficial-docs • >=0.10.0, <=0.12.x
2026-09-25HIGH