Wykrywanie nierównowagi klas

Skupiasz się teraz na ważnym wstępnym etapie cyklu życia projektu uczenia maszynowego: eksploracyjnej analizie danych (EDA).

EDA pozwala lepiej zrozumieć charakter zbioru danych heart_disease_df – w tym zależności między poszczególnymi zmiennymi oraz potencjalne problemy, które warto rozwiązać przed przystąpieniem do trenowania modelu. Kluczowym elementem EDA jest analiza rozkładu klas w cechach – na przykład w kolumnie określającej płeć pacjenta.

Nierównowaga klas, czyli sytuacja, w której jedna klasa ma znacznie więcej próbek niż inna, może zakłócić proces trenowania modelu i sprawić, że będzie on faworyzować klasę większościową.