在实际生产中，可能会碰到一种比较头疼的问题，那就是分类问题中类别型的因变量可能存在严重的不平衡，即类别之间的比例严重失调。 为了解决数据的非平衡问题，2002年Chawla提出了SMOTE算法，并受到学术界和工业界的一致认同。本文将对Smote算法，Smote算法的几个变形，以及一个smote ...

1. 数据不平衡的数据处理 2. 数据不平衡的分类器评价指标 1. 分类器评价指标 1.1 混淆矩阵 在数据不平衡的分类任务中，我们不在使用准确率当作模型性能度量的指标，而是使用混淆矩阵、精准率、召回率、F1值当作模型的性能度量指标。 TP（True Positive）：真实 ...

数据不平衡 1.什么是数据不平衡 一般都是假设数据分布是均匀的，每种样本的个数差不多，但是现实情况下我们取到的数据并不是这样的，如果直接将分布不均的数据直接应用于算法，大多情况下都无法取得理想的结果。 这里着重考虑二分类，因为解决了二分类种的数据不平衡问题后，推而广之酒能得到多分类情况下 ...

下的样本数远大于另一些类别下的样本数目。即类别不平衡，为了使得学习达到更好的效果，因此需要解决该类别不 ...

传统处理方法 1.加权 即其对不同类别分错的代价不同，这种方法的难点在于设置合理的权重，实际应用中一般让各个分类间的加权损失值近似相等。当然这并不是通用法则，还是需要具体问题具体分析。和代价敏感类似 　　有如下加权方法： 　　概率权重法：当数量差距不那么悬殊时，把各类标签的实例出现的频率 ...

上一篇介绍了从数据角度出发，如果去处理不平衡问题，主要是通过过采样和欠采样以及它们的改进方式。 本篇博客，介绍不平衡问题可以采样的算法。 一、代价敏感学习 在通常的学习任务中，假定所有样本的权重一般都是相等的，或者说误分类成本是相同的。但是在大多数实际应用中，这种假设是不正确的。 最简单 ...

类别不平衡问题 类别不平衡问题，顾名思义，即数据集中存在某一类样本，其数量远多于或远少于其他类样本，从而导致一些机器学习模型失效的问题。例如逻辑回归即不适合处理类别不平衡问题，例如逻辑回归在欺诈检测问题中，因为绝大多数样本都为正常样本，欺诈样本很少，逻辑回归算法会倾向于把大多数样本 ...