As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Desequilíbrio de classes (CI)
<a name="clarify-bias-metric-class-imbalance"></a>

O desvio de desequilíbrio de classes (CI) ocorre quando um valor de faceta *d* tem menos amostras de treinamento quando comparado com outra faceta *a* no conjunto de dados. Isso ocorre porque os modelos se ajustam preferencialmente às facetas maiores em detrimento das facetas menores e, portanto, podem resultar em um maior erro de treinamento para a faceta *d*. Os modelos também correm maior risco de sobreajustar os conjuntos de dados menores, o que pode causar um erro de teste maior para a faceta *d*. Considere o exemplo em que um modelo de machine learning é treinado principalmente com dados de indivíduos de meia idade (faceta a). Ele pode ser menos preciso ao fazer predições envolvendo pessoas mais jovens e mais velhas (faceta d).

Fórmula para a medida de desequilíbrio facetário (normalizada):

        CI = (na - nd)/(na \$1 nd)

Onde na é o número de membros da faceta *a* e nd o número da faceta *d*. Seus valores variam ao longo do intervalo [-1, 1]. 
+ Valores positivos de CI indicam que a faceta *a* tem mais amostras de treinamento no conjunto de dados e um valor de 1 indica que os dados contêm apenas membros da faceta *a*.
+  Valores de CI próximos de zero indicam uma distribuição mais uniforme de membros entre facetas e um valor de zero indica uma partição perfeitamente igual entre facetas e representa uma distribuição equilibrada de amostras nos dados de treinamento.
+ Valores negativos de CI indicam que a faceta *d* tem mais amostras de treinamento no conjunto de dados e um valor de -1 indica que os dados contêm apenas membros da faceta *d*.
+ Os valores de CI próximos a qualquer um dos valores extremos de -1 ou 1 estão muito desequilibrados e correm um risco substancial de fazer predições tendenciosas.

Se for constatado que existe um desequilíbrio significativo entre as facetas, você deve reequilibrar a amostra antes de continuar treinando modelos nela.