ข้อมูลที่ไม่สมดุลเป็นรูปแบบหนึ่งของข้อมูลในการเรียนรู้ของเครื่องและปัญญาประดิษฐ์ ซึ่งหมวดหมู่การจำแนกประเภทในการสังเกตข้อมูลมีจำนวนอินสแตนซ์ที่แตกต่างกัน ข้อมูลรูปแบบนี้ทำให้เกิดปัญหาสำหรับอัลกอริธึมการเรียนรู้แบบมีผู้สอน เนื่องจากมักมีปัญหาในการทำนายกลุ่มชนกลุ่มน้อยอย่างแม่นยำ ข้อมูลที่ไม่สมดุลเป็นปรากฏการณ์ทั่วไปในการรวบรวมข้อมูลในเรื่องใดเรื่องหนึ่ง โดยเฉพาะอย่างยิ่งเมื่อเรื่องที่สนใจนั้นค่อนข้างหายาก
ในด้านการเรียนรู้ของเครื่อง ชุดข้อมูลที่ไม่สมดุลเป็นปัญหาอย่างยิ่ง เนื่องจากอัลกอริทึมการเรียนรู้ของเครื่องส่วนใหญ่ได้รับการออกแบบมาให้ทำงานได้ดีที่สุดเมื่อหมวดหมู่สำหรับการจำแนกประเภทมีจำนวนเท่ากันโดยประมาณ ตัวอย่างเช่น เมื่อแบบจำลองการคาดการณ์ได้รับการฝึกอบรมเกี่ยวกับข้อมูลที่มี 10% ของการสังเกตที่เป็นของชนกลุ่มน้อยและ 90% อยู่ในกลุ่มคนส่วนใหญ่ กรณีของชนกลุ่มน้อยอาจมีการเป็นตัวแทนน้อยเกินไปในแบบจำลองสุดท้าย การแสดงที่ต่ำกว่าความเป็นจริงนี้นำไปสู่ประสิทธิภาพที่ไม่ดีในแง่ของความแม่นยำหรือความแม่นยำ
เทคนิคที่ได้รับความนิยมมากที่สุดในการจัดการข้อมูลที่ไม่สมดุลคือเทคนิคการสุ่มตัวอย่างเกินขนาดแบบสังเคราะห์ (SMOTE) SMOTE ทำงานโดยการสร้างจุดข้อมูลใหม่ในคลาสส่วนน้อย (โดยปกติจะอยู่ใกล้จุดข้อมูลที่มีอยู่) และเพิ่มขนาดของคลาสส่วนน้อยเพื่อให้ตรงกับขนาดของคลาสส่วนใหญ่ เทคนิคนี้ประสบความสำเร็จมากกว่าการสุ่มตัวอย่างมากเกินไปในกลุ่มชนกลุ่มน้อย
นอกจาก SMOTE แล้ว ยังมีเทคนิคอื่นๆ ในการจัดการกับความไม่สมดุลอีกด้วย ซึ่งรวมถึง: การประมวลผลข้อมูลล่วงหน้า, การเพิ่มข้อมูล, การเรียนรู้ที่คำนึงถึงต้นทุน, การเรียนรู้เมตา และการใช้โครงข่ายประสาทเทียม
ท้ายที่สุดแล้ว เป้าหมายคือการบรรลุชุดข้อมูลที่สมดุลมากขึ้น เพื่อให้อัลกอริธึมการเรียนรู้แบบมีผู้ดูแลมีข้อมูลเพียงพอในการทำงานจากชนกลุ่มน้อย ซึ่งสามารถทำได้โดยการสุ่มตัวอย่างคลาสเสียงข้างมาก หรือโดยการสุ่มตัวอย่างคลาสเสียงข้างมาก เมื่อใช้อย่างถูกต้อง เทคนิคเหล่านี้สามารถลดอคติในข้อมูลและนำไปสู่ประสิทธิภาพในการคาดการณ์ที่สูงขึ้น
