هل بياناتك غير متوازنة وكل نموذج تدربه يتجاهل الفئة المهمة؟
هل الـ Model يتنبأ خطأ في كل مرة لأن 99% من بياناتك غير متوازنه؟
أنا هنا لأحل هذه المشكلة تحديداً
سأقوم ببناء Pipeline متكامل لمعالجة مشكلة اختلال توازن البيانات (Class Imbalance) في مشروعك، باستخدام أحدث تقنيات الـ Sampling
المتعارف عليها في مجال Machine Learning.
مناسبة بشكل خاص لمشاريع كشف الاحتيال، التشخيص الطبي، وأي مشكلة تعاني من نسب اختلال شديدة تصل إلى 750:1

خطوات الـ Pipeline المنفذة:
1. تقسيم البيانات مع الحفاظ على نسبة كل فئة في Train/Test
2. تقليل الفئة الأكبر بذكاء بدلاً من الحذف العشوائي
3. تنظيف الحدود الفاصلة بين الفئتين من الحالات المتداخلة
4. توليد عينات اصطناعية للفئة الأقل تمثيلاً
5.تطبيع الـ Features لتحسين أداء النموذج

التقنيات المستخدمة:
Python 3
imbalanced-learn · Scikit-learn
Pandas
NumPy
Matplotlib / Seaborn
كود منظم وموثق مع شرح كل خطوة

حجم الـ Dataset بحد اقصى 500k صف
دعم جميع أنواع اختلال التوازن (ثنائي / متعدد الفئات)
Pipeline جاهز للدمج مباشرة في نموذجك
تقرير مقارنة قبل وبعد الـ Sampling مع رسوم بيانية
شرح كامل لكل قرار تقني تم اتخاذه باستخدام التعليقات داخل الكود

ملف Python جاهز للتشغيل ipynb
ملفات البيانات بعد المعالجة
قرير مقارنة قبل وبعد الـ Sampling
مراجعتان مجانيتان بعد التسليم