不平衡分类涉及在类别严重不平衡的分类数据集上开发预测模型。处理不平衡数据集的挑战在于，大多数机器学习技术都会忽略少数类，并且在少数类上的性能较差，尽管通常少数类上的性能最重要。一种方法 [...]

不平衡分类速成班。7 天掌握不平衡分类。分类预测建模是将标签分配给示例的任务。不平衡分类是指类别之间示例分布不相等的分类任务。实际的不平衡分类需要使用一套专门的技术 [...]

不平衡数据集是指类别分布严重偏斜的数据集，例如少数类与多数类的示例比例为 1:100 或 1:1000。训练数据中的这种偏差会影响许多机器学习算法，导致某些算法完全忽略少数类。这是一个问题，因为它 [...]

初学者常见的错误是，在没有建立性能基线的情况下将机器学习算法应用于问题。性能基线提供了模型在数据集上具有技能的最低分数。它还为评估数据集上的所有模型提供了相对改进的参考点。一个 [...]

模型评估涉及使用可用数据集来拟合模型，并估计其在对未见过示例进行预测时的性能。这是一个具有挑战性的问题，因为用于拟合模型的训练数据集和用于评估它的测试集都必须足够大并且能够代表底层问题，因此 [...]

分类预测建模涉及为示例预测类别标签，尽管某些问题需要预测类别成员的概率。对于这些问题，不需要清晰的类别标签，而是需要每个示例属于每个类别的可能性，并且稍后进行解释。因此，小的相对概率可能 [...]

分类器的优劣取决于用于评估它的指标。如果您选择错误的指标来评估模型，您很可能会选择一个糟糕的模型，或者在最坏的情况下，对模型的预期性能产生误解。在应用机器学习中选择合适的指标通常是一个挑战 [...]

大多数不平衡分类问题涉及两个类别：占多数示例的负类和占少数示例的正类。有助于解释二元（两类）分类预测模型的两个诊断工具是 ROC 曲线和精确率-召回率曲线。可以创建曲线图并用于理解 [...]

分类准确率是正确预测的总数除以对数据集进行的总预测数的次数。作为性能度量，准确率不适用于不平衡分类问题。主要原因是占多数的类别（或类别）的绝大多数示例将压倒 [...] 中的示例数量。

分类准确率是一种指标，它将分类模型的性能总结为正确预测的数量除以总预测数量。它易于计算且直观易懂，使其成为评估分类器模型最常用的指标。当示例的分布 [...] 时，这种直觉就会失效。