博文
分类问题中的过采样和欠采样
||
（一）在分类问题中，有存在正反例数目差异较大的情况，这种情况叫做类别不平衡。
针对这种问题，解决方式主要有3种：假设正例数量大，反例数目极小。
1、减少正例的数量，使得数据平衡，再进一步分类，这种情况属于“欠采样”；
2、增加反例的数目平衡数据，再分类，这种称为“过采样”；
3、阈值移动：直接使用原始数据进行分类，但在用训练好的分类器进行预测时，将下式加入到决策过程中，以调整正反例的平衡性。
（二）欠采样（undersampling）和过采样（oversampling）会对模型带来怎样的影响？
参阅：https://www.zhihu.com/question/269698662/answer/352279936
【参考】
https://www.cnblogs.com/luban/p/9414468.html
https://www.zhihu.com/question/269698662/answer/352279936
点滴分享，福泽你我！Add oil！
https://blog.sciencenet.cn/blog-3428464-1246992.html
上一篇：Pandas之groupby、读取excel、处理缺失值及to_csv()
下一篇：Python中函数：pop()、sklearn中shuffle、classification_report
扫一扫，分享此博文
全部作者的其他最新博文
- • [转载]太阳同步轨道
- • 膳食指南