我正在尝试使用插入符号尝试机器学习任务（二进制分类），并且想知道是否存在一种方法来合并有关“不确定”类的信息，或者以不同的方式加权类。
作为说明，我从插入符号主页中剪切了一些代码，并与Sonar数据集一起粘贴（占位符代码-可以是任何东西）：
library(mlbench)
testdat <- get(data(Sonar))
set.seed(946)
testdat$Source<-as.factor(sample(c(LETTERS[1:6],LETTERS[1:3]),nrow(testdat),replace = T))
产生：
summary(testdat$Source)
A B C D E F
49 51 44 17 28 19
一旦确定了模型，我将继续进行典型的训练，调试和测试程序。
我在此处添加的是来源的另一因素列，或相应的“类”来自何处。举一个任意例子，假设这是6个不同的人，他们使用略有不同的方法来指定“类别”，并且我想比B更加重视A的分类方法，但比C少。
实际数据是这样的，在真/假，M / R或任何类别之间以及在这些来源之间都存在类别失衡。从我发现的小插曲和例子中，至少我会通过在调整过程中使用ROC这样的指标来解决前者，但是对于如何合并后者，我不确定。
按来源分离原始数据并循环遍历该因子
使用当前级别来一次建立一个模型并一次
其余数据进行测试
而不是分类，而是将其变成混合分类/回归问题，在此问题中，我将源的等级用作要建模的对象。如果A被认为是最好的，则“ A”为阳性，得分为+6，“ A”为阴性，得分为-6，依此类推。然后对这些值执行回归拟合，而忽略“类”列。
有什么想法吗？我对班级和权重进行的每一次搜索似乎都参考班级失衡问题，但是假设分类本身是完美的（或建模的标准）。试图合并这些信息甚至不合适，而我应该只包含所有内容而忽略来源吗？第一个计划的潜在问题是，较小的源大约占了数百个实例，而较大的源则超过了10,000个实例，因此我还可能会担心，基于较小的集合建立的模型不会像一般模型那样泛化基于更多数据。任何想法将不胜感激。
最佳答案
加权“因为重要性”和加权“因为不平衡”之间没有区别。这些设置是完全相同的，它们都指“为了对来自特定类的样本进行误分类而应该对模型进行的惩罚程度”。因此，您不需要任何回归（也不应该这样做！这是一个非常明确的分类问题，您只是想得太多了），而只需提供样本权重即可。插入符号中有许多模型接受这种设置，包括glmnet，glm，cforest等。如果要使用svm，则应将软件包（因为ksvm不支持此类东西）更改为例如https://cran.r-project.org/web/packages/gmum.r/gmum.r.pdf（用于示例或类）权重）或https://cran.r-project.org/web/packages/e1071/e1071.pdf（如果是类权重）
关于r - 机器学习任务中的加权类(class)，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/35277162/