Descreva e implemente uma estratégia para lidar com um conjunto de dados de treinamento desbalanceado, onde algumas classes de veículos são muito mais frequentes que outras.

exercicio13.py

import torch
import torch.nn as nn
import numpy as np
from sklearn.utils.class_weight import compute_class_weight
from imblearn.over_sampling import SMOTE

# Dados de exemplo: classe 0: 1000 amostras, classe 1: 100 amostras
y_train = np.array([0]*1000 + [1]*100)

# 1. Pesos nas classes
# Calcular os pesos das classes para balancear a função de perda
class_weights = compute_class_weight('balanced', classes=np.unique(y_train), y=y_train)
class_weights = torch.tensor(class_weights, dtype=torch.float32)

# Função de perda com pesos nas classes
criterion = nn.CrossEntropyLoss(weight=class_weights)

# Exemplo de previsões do modelo (suponha que o modelo tem 2 classes)
y_pred = torch.randn(1100, 2)  # Exemplo de previsões do modelo (1100 amostras, 2 classes)
y_true = torch.tensor(y_train)

# Calcular a perda
loss = criterion(y_pred, y_true)
print(f"Perda com pesos nas classes: {loss.item()}")

# 2. SMOTE (Gerar Exemplos Sintéticos)
# Suponha que temos dados X e rótulos y desbalanceados
X = np.random.randn(1100, 30)  # 1100 amostras, 30 características
y = np.array([0]*1000 + [1]*100)

# Aplicar SMOTE para balancear as classes
smote = SMOTE(sampling_strategy='auto', random_state=42)
X_resampled, y_resampled = smote.fit_resample(X, y)

print(f"Original dataset: {len(y)} classes 0: {sum(y == 0)}, classes 1: {sum(y == 1)}")
print(f"Resampled dataset: {len(y_resampled)} classes 0: {sum(y_resampled == 0)}, classes 1: {sum(y_resampled == 1)}")