机器学习实战——第七章:处理非均衡分类问题

在前面六章的所有分类介绍中,我们都假设所有类别的分类代价是一样的。

坦白地说,在大多数情况下不同类别的分类代价并不相等,如治病我们情愿误判也不愿漏判,垃圾邮件,可以使收件箱里出现垃圾邮件,但不希望正常邮件放进垃圾邮件夹中。

在本节中,我们将会考察一种新的分类器性能度量方法,并通过图像技术来对在上述非均衡问题。



1、混淆矩阵:争取率、召回率

2、ROC曲线:接受者操作特征曲线receiver operating characteristic corve,AUC(曲线下的面积,area under the curve)能够近似表示分类器的平均性能值。

3、基于代价函数的分类器决策控制:实际上就是对不同类别的样本赋予不同的权重,关注程度不同

4、通过欠抽样和过抽样来调节样本,以关注不同的类别

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值