python3跑通smpl模型_三招提升数据不平衡模型的性能（附python代码）

对于深度学习而言，数据集非常重要，但在实际项目中，或多或少会碰见数据不平衡问题。什么是数据不平衡呢？举例来说，现在有一个任务是判断西瓜是否成熟，这是一个二分类问题——西瓜是生的还是熟的，该任务的数据集由两部分数据组成，成熟西瓜与生西瓜，假设生西瓜的样本数量远远大于成熟西瓜样本的数量，针对这样的数据集训练出来的算法“偏向”于识别新样本为生西瓜，存心让你买不到甜的西瓜以解夏天之苦，这就是一个数据不平衡问题。针对数据不平衡问题有相应的处理办法，比如对多数样本进行采样使得其样本数量级与少样本数相近，或者是对少数样本重复使用等。最近恰好在面试中遇到一个数据不平衡问题，这也是面试中经常会出现的问题之一，现向读者分享此次解决问题的心得。

数据集

训练数据中有三个标签，分别标记为[1、2、3]，这意味着该问题是一个多分类问题。训练数据集有17个特征以及38829个独立数据点。而在测试数据中，有16个没有标签的特征和16641个数据点。该训练数据集非常不平衡，大部分数据是1类(95％)，而2类和3类分别有3.0％和0.87％的数据，如下图所示。

算法

经过初步观察，决定采用随机森林(RF)算法，因为它优于支持向量机、Xgboost以及LightGBM算法。在这个项目中选择RF还有几个原因：

1.机森林对过拟合具有很强的鲁棒性；

2.参数化仍然非常直观；

3.在这个项目中，有许多成功的用