Виявлення дисбалансу класів

Ви зосереджуєтеся на важливому підготовчому етапі життєвого циклу машинного навчання: розвідувальному аналізі даних (EDA).

EDA допомагає краще зрозуміти природу набору даних heart_disease_df, зокрема зв'язки між змінними та потенційні проблеми, які варто вирішити, перш ніж переходити до тренування моделі. Розуміння розподілу класів у ваших ознаках — наприклад, за статтю пацієнта — є ключовою частиною EDA.

Дисбаланс класів, коли один клас має суттєво більше спостережень, ніж інший, може зміщувати процес навчання моделі, змушуючи її віддавати перевагу класу більшості.