Trọng số lớp cho nhãn mất cân bằng
Khi dữ liệu mất cân bằng, mô hình dễ bỏ qua lớp hiếm. Một cách xử lý là gán trọng số lớn
Tiến độ của tôi ở bài này
Điểm và code bạn nộp được lưu vào tài khoản sau khi chấm bài.
Đang tải điểm của bạn…
Kiến thức và chủ đề
Kiến thức tiên quyết: python-basics, python-lists.
Nội dung đề bài
Mô tả bài toán
Khi dữ liệu mất cân bằng, mô hình dễ bỏ qua lớp hiếm. Một cách xử lý là gán trọng số lớn hơn cho lớp ít mẫu theo công thức cân bằng weight_c = n_total / (n_classes * count_c), trong đó count_c là số mẫu của lớp đó.
Yêu cầu
Viết hàm class_weights(labels) trả về danh sách trọng số của từng lớp, sắp theo thứ tự nhãn tăng dần.
Quy ước nộp bài
Nộp hàm class_weights trong solution.py. Hệ thống gọi hàm trực tiếp và so giá trị với sai số 1e-6; không đọc stdin và không in ra stdout.
Input
- labels: danh sách nhãn lớp (số nguyên).
Output
Danh sách số thực; phần tử thứ i là trọng số của lớp nhỏ thứ i trong tập nhãn.
Ràng buộc
- labels phải khác rỗng; nếu không, hàm ném ValueError.
- Trả danh sách số thực sắp theo nhãn tăng dần, không trả mảng NumPy.
Ví dụ 1
Input
class_weights(labels=[0, 0, 0, 1])
Output
[0.6666666666666666, 2.0]
Ví dụ 2
Input
class_weights(labels=[1, 1, 2, 2])
Output
[1.0, 1.0]
Giải thích
Với labels = [0, 0, 0, 1]: có n_total = 4, hai lớp [0, 1], lớp 0 có 3 mẫu và lớp 1 có 1 mẫu. Kết quả là [4 / (2 * 3), 4 / (2 * 1)] = [0.6666666666666666, 2.0].
Gợi ý và lời giải chỉ mở sau khi bạn bấm Nộp bài. Giáo viên và quản trị viên mở được ngay.
Góp ý & báo lỗi bài tập
Đề bài chưa rõ, test có vấn đề hay bạn có ý tưởng giúp bài tốt hơn? Gửi cho đội ngũ AI Empire nhé — mỗi góp ý đều được đọc.
