档案 | 不平衡分类

支持向量机算法对于平衡分类是有效的，尽管它在不平衡数据集上的表现不佳。SVM 算法找到一个超平面决策边界，该边界最能将样本分成两类。通过使用允许某些点被错误分类的边距，该划分被软化。默认情况下，[...]

决策树算法对于平衡分类是有效的，尽管它在不平衡数据集上的表现不佳。树的分裂点选择是为了最好地将样本分成两组，并最大限度地减少混合。当两组都以一个类别的样本为主时，用于选择分裂点的标准将[...]

逻辑回归不直接支持不平衡分类。相反，用于拟合逻辑回归模型的训练算法必须进行修改，以考虑倾斜的分布。这可以通过指定一个类别权重配置来实现，该配置用于影响逻辑回归系数在训练期间的更新量。[...]

在类别分布不平衡的分类数据集上，机器学习技术常常会失败或给出误导性的乐观表现。原因是许多机器学习算法的设计是为了处理类别数量相等的分类数据。当不是这种情况时，算法可能会学习到只有很少的样本[...]

重采样方法旨在添加或删除训练数据集中的样本，以改变类别分布。一旦类别分布更加平衡，就可以在转换后的数据集上成功地拟合一系列标准的机器学习分类算法。过采样方法复制或创建少数类中的新合成样本，[...]

重采样方法旨在改变不平衡分类任务的训练数据集的组成。不平衡分类的重采样方法大多关注于过采样少数类。然而，已经开发出一系列用于欠采样多数类的技术，这些技术可以与有效的[...]结合使用。

不平衡分类涉及开发在类别严重不平衡的分类数据集上的预测模型。处理不平衡数据集的挑战在于，大多数机器学习技术会忽略少数类，并因此在少数类上的性能不佳，尽管通常重要的是在少数类上的性能。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样本的任务。不平衡分类是指类别样本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，[...]

不平衡数据集是指那些类别分布严重倾斜的数据集，例如少数类样本与多数类样本的比例为 1:100 或 1:1000。训练数据集中的这种偏差会影响许多机器学习算法，导致一些算法完全忽略少数类。这是一个问题，因为它[...]

初学者常犯的一个错误是，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。性能基线提供了一个最低分数，模型在该分数之上才被认为在该数据集上具有技能。它还为在数据集上评估的所有模型提供了相对改进的起点。一个[...]