machine-learning - 如何处理这种不平衡类的偏斜数据集？

我必须处理Class Imbalance Problem并对输入测试数据集进行binary-classification，其中训练数据集中的大多数class-label为1（另一个class-label为0）。例如，以下是训练数据的一部分：93.65034,94.50283,94.6677,94.20174,94.93986,95.21071,194.13783,94.61797,94.50526,95.66091,95.99478,95.12608,194.0238,93.95445,94.77115,94.65469,95.08566,94.97906,194.36343,94.32839,95.33167,95.24738,94.57213,95.05634,194.5774,93.92291,94.96261,95.40926,95.97659,95.17691,093.76617,94.27253,94.38002,94.28448,94.19957,94.98924,0最后一列是class-label-0或1。实际数据集的类比10:1非常不正确，即大约700个样本的class label为0，其余6800个样本的class label为1。上面提到的只是给定数据集中所有样本中的少数样本，但是实际数据集中包含约90%个样本，其中class-label为1，其余的样本中class-label为，尽管事实上所有样本或多或少都非常相似。哪个分类器最适合处理此类数据集？我已经尝试过将0以及logistic-regression的svm参数设置为class-weight的情况，但是在准确度方面并没有明显改善。 最佳答案 但准确性没有明显提高。精度不是要走的路（例如，参见Accuracy paradox）。使用10：1的类比率，只需始终预测class-label 0即可轻松获得90％的准确性。一些好的起点是：尝试使用其他性能指标。例如。 F1-score和Matthews correlation coefficient“重新采样”数据集：从代表性不足的类中添加示例（过度采样）/从代表性不足的类中删除实例（欠采样；您应该有很多数据）不同的观点：anomaly detection是不平衡数据集的不错尝试一种不同的算法是另一种可能，但并非一帆风顺。可能您应该从decision trees开始（通常在不平衡的数据集上表现良好）编辑（现在知道您正在使用scikit-learn）来自class_weight（scikit-learn）参数的权重用于训练分类器（因此balanced可以），但是要知道其性能如何，准确性是一个糟糕的选择。sklearn.metrics模块为measure classification performance实现了多种损失，得分和实用功能。还可以查看How to compute precision, recall, accuracy and f1-score for the multiclass case with scikit learn?。关于machine-learning - 如何处理这种不平衡类的偏斜数据集？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/39512140/