在数据挖掘的时间工程中,经常会出现正样本远远少于负样本的情况,也就是类不平衡问题。常见的类不平衡问题的处理方法如下:
1、过抽样
将正样本复制多份儿,使得正样本的数据跟负样本的数量相等或者近似平衡。过抽样的主要缺点是,由于正样本是复制多份儿,所以整个数据集的差异较小,分类较为困难。
2、欠抽样
多负样本进行抽样,使得负样本的数量与正样本的数量相等或平衡。该方法可以克服方法1的缺点,但是不能充分利用数据。
3、阈值移动
对于分类问题,可以不直接预测实例的类标号,而是预测一个概率值,然后指定一个阈值来将实例分为正类和负类。通常情况下,指定阈值为0.5,但是可以根据实际的情况,对阈值进行移动,从而增加某一个类的权重,而达到解决类不平衡的目的。
4