机器学习要点（二）：数据处理相关

重采样技术

1、 随机欠采样

优点：它可以提升运行时间；并且当训练数据集很大时，可以通过减少样本数量来解决存储问题。

缺点：它会丢弃对构建规则分类器很重要的有价值的潜在信息。被随机欠采样选取的样本可能具有偏差。它不能准确代表大多数。从而在实际的测试数据集上得到不精确的结果。

2、 随机过采样

优点：与欠采样不同，这种方法不会带来信息损失。表现优于欠采样。

缺点：由于复制少数类事件，它加大了过拟合的可能性。

3、 基于聚类的过采样（Cluster-BasedOver Sampling）

优点：这种聚类技术有助于克服类之间不平衡的挑战。表示正例的样本数量不同于表示反例的样本数量。

有助于克服由不同子聚类组成的类之间的不平衡的挑战。每一个子聚类不包含相同数量的实例。

缺点：正如大多数过采样技术，这一算法的主要缺点是有可能过拟合训练集。