smote的matlab代码-dsc-class-imbalance-problems-hbs-ds-060120:dsc-cl...

smote的matlab代码阶级不平衡问题 介绍 您已经了解了作为评估分类器性能的指标的精度、召回率、准确率、f1 分数、ROC 曲线和 AUC。 有了这个，您已经看到衡量分类算法的性能与回归的性能有何显着不同。 例如，我们简要讨论了一个场景，其中 1000 个案例中只有 2 个被标记为“阳性”。 在这种极端情况下，即使是一个简单地总是预测“负面”标签的简单分类器，其准确率也会达到 99.8%。 此外，此类场景在医疗条件或信用卡欺诈等领域较为常见。 这被称为“类别不平衡”问题。 因此，关于类不平衡问题和调整分类算法以更好地适应这些场景的方法，已经有很多工作和研究。 目标 你将能够： 描述为什么类别不平衡会导致机器学习问题 列出解决类不平衡问题的不同方法 班级权重 处理类不平衡问题的一种初始选择是对两个类进行加权。 默认情况下，scikit-learn 中逻辑回归的类权重为None ，这意味着两个类在调整模型时将具有同等重要性。 或者，您可以传递'balanced'以分配与该类的频率成反比的权重。 最后一个选项是使用{'class_label': weight}形式的字典显式地将权重传递