![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 64
Grayson Zhang
热爱学习
展开
-
分类问题:导致AUC为0.5的原因及解决方案
神经网络:AUC为0.5在训练模型的过程中遇到了AUC为0.5的情况,搜集了一些网络上的资料,简单的做了一个整理1. 特征本身和标签之间没有关系AUC为0.5,意味着模型趋于“随机预测”模型,ROC曲线近似于ROC图的对角线。“特征本身和标签之间没有关系”看起来是一件不太可能发生的事,但实际中有可能会由调取数据过程出现的问题导致。检查模型的特征和标签是否匹配可以检验该问题是否存在,若存在应匹配特征和标签2. 原始数据的量纲差异过大当原始数据的量纲相差过大,而标签中“0”的过多时,训练出的模型系原创 2022-03-09 22:06:42 · 11534 阅读 · 0 评论 -
分类问题:如何解决样本分布不均衡
分类问题:如何解决样本分布不均衡提出问题样本分布不均衡是解决分类问题过程中经常遇到的一种情况。当数据集中某一类的样本数量远超于其他样本的时候,模型自然会有一种倾向使得分类结果偏向于该类样本,这是概率统计中先验的性质。在极端情况下,如果有一类样本的数量占了数据集的绝大多数,那么哪怕模型直接将所有的样本都预测为该类样本,模型预测的错误率依然不会太低。为了发现这种情况,我们可以采用AUC等其他的指标。当出现样本不均衡时,AUC会趋于0.5解决问题1. 改变采样的方式既然不同类别的样本的数量相差悬殊原创 2022-03-09 22:06:22 · 2937 阅读 · 0 评论