如何解决机器学习里面的类别不平衡问题

转载自:https://zhuanlan.zhihu.com/p/78508502

总结下机器学习中类别不均衡的处理方法主要有下,希望对你有帮助~~

  1. 采样
    这里的采样可以分为上采样和下采样,简单说就是从类别少的多采样或者类别多的少采样。对于上采样,如SMOTE算法。
  2. 转化为One-class问题
    把它看做一分类(One Class Learning)或异常检测(Novelty Detection)问题。这类方法的重点不在于捕捉类间的差别,而是为其中一类进行建模,经典的工作包括One-class SVM等
  3. 聚类+采样
    对数据先进行聚类,再将大的簇进行随机欠采样或者小的簇进行数据生成,注意了,这里不是简单的上面所说的下采样,而是先聚类后再采样。
  4. 模型惩罚
    简单说就是对分类器的小类样本数据增加权值,降低大类样本的权值。
  5. 换模型
    使用一些如Bagging和Boosting的方法,集成学习大法好具体看文献3。

    除此之外,一些评价指标可能需要换一下,比如换成AUC和ROC,这两个指标对类别不均衡不敏感。

    参考文献
机器学习中的样本不平衡问题
微调:如何处理数据中的「类别不平衡」?
How to handle Imbalanced Classification Problems in machine learning?
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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