Klassenungleichgewicht
Definition
Klassenungleichgewicht liegt vor, wenn Zielklassen in einem Datensatz stark unterschiedlich häufig vorkommen.
Bei stark unausgewogenen Klassen kann Accuracy irreführend sein. Geeignete Metriken, Sampling, Gewichtung und Schwellenwerte hängen vom Fehlerkostenprofil ab.
Einfach erklärt
Wie eine Prüfung mit 990 normalen und nur 10 seltenen Fällen – ein Modell kann fast alles ignorieren und trotzdem hohe Accuracy erreichen.
Warum das im Alltag wichtig ist
Relevant bei Betrug, Ausfällen, Qualitätsfehlern und seltenen Ereignissen.
Beispiel aus dem Mittelstand
Ein Defektklassifikator wird mit Precision, Recall und PR-AUC statt nur Accuracy bewertet.
Grenzen und Fallstricke
- Accuracy isoliert nutzen; Testverteilung künstlich verändern; Oversampling vor Datensplit durchführen; Businesskosten der Fehler ignorieren.
Entstehung & Geschichte
Klassenungleichgewicht ist ein lang untersuchtes Problem des Machine Learning; He und Garcia fassten Methoden und Herausforderungen 2009 zusammen.
Anwendung im Mittelstand
- Mögliche Anwendung im Mittelstand: Fehlerkosten, Datenverteilung und Evaluationsmetriken vor Modelltraining festlegen.
Häufige Fragen
Ist SMOTE immer sinnvoll?
Nein. Welche Metrik passt? Das hängt vom Verhältnis von False Positives zu False Negatives ab.
Quellen
- Learning from Imbalanced Data · He & Garcia (2009), Learning from Imbalanced Data
- Introduction, Abschnitt 1.2 · imbalanced-learn, Introduction, Abschnitt 1.2
Quellenprüfung: 10./11.10.2026.
Redaktionell geprüft am: