作者归档 | Jason Brownlee

多类别分类问题是指必须预测一个标签，但可能预测的标签超过两个。这些是具有挑战性的预测建模问题，因为模型需要每个类别的足够代表性样本才能学习问题。当数量[...]

多类别分类问题是指必须预测一个标签，但可能预测的标签超过两个。这些是具有挑战性的预测建模问题，因为模型需要每个类别的足够代表性样本才能学习问题。当数量[...]

欺诈是信用卡公司面临的一个主要问题，这既是因为每天完成的交易量很大，也是因为许多欺诈交易看起来与正常交易非常相似。识别欺诈性信用卡交易是一种常见的倾斜二元分类类型，其重点是正类（是否[...]

分类预测建模问题涉及为给定的输入集预测一个类别标签。这通常是一个具有挑战性的问题，特别是当对数据集了解甚少时，因为有几十甚至上百种机器学习算法可供选择。如果[...]的分布

许多二元分类任务的每个类别的样本数量不相等，例如，类别分布不均衡或倾斜。一个常见的例子是成人收入数据集，该数据集涉及根据个人详细信息（如关系和教育水平）预测个人收入水平是否高于或低于每年 50,000 美元。那里[...]

许多二元分类任务的每个类别的样本数量不相等，例如，类别分布不均衡或倾斜。尽管如此，准确性在两个类别中都同样重要。一个例子是将欧洲语言中的元音声音分类为鼻音或口腔音，在语音识别中，有更多的[...]

癌症检测是一个常见的倾斜分类问题，因为非癌症病例通常远多于实际癌症病例。一个标准的不平衡分类数据集是乳腺钼靶数据集，它涉及从放射学扫描中检测乳腺癌，特别是那些在钼靶图上显示为明亮的微钙化簇的存在。这个数据集[...]

对于某些倾斜分类任务，少数类别的误分类错误比其他类型的预测错误更重要。一个例子是分类银行客户是否应获得贷款的问题。将不良客户标记为好客户发放贷款会导致更大的[...]

许多机器学习模型能够为类别成员资格预测概率或类似概率的分数。概率为评估和比较模型提供了所需的粒度水平，尤其是在不平衡分类问题上，像 ROC 曲线这样的工具用于解释预测，ROC AUC 指标用于比较模型性能，两者[...]

Fbeta 测量是一种可配置的单一得分指标，用于根据对正类的预测来评估二元分类模型。Fbeta 测量使用精确率和召回率计算。精确率是计算正类正确预测百分比的指标。召回率计算正类正确预测百分比[...]