1回答
我有一个高度不平衡的数据集，我想执行二进制分类。 在阅读一些帖子时，我发现sklearn为不平衡数据集提供了class_weight="balanced"。所以，我的分类器代码如下。clf=RandomForestClassifier(random_state = 42, class_weight="balanced") 然后，我使用上面的分类器进行了10折交叉验证，如下所示。
浏览 30提问于2019-03-31得票数 5
回答已采纳
1回答
在我的问题中，我处理的是一个高度不平衡的数据集，比如每一个正面类都有10000个负值。一种正常的训练模型的方法是对数据进行欠采样。在这一过程中，对我们的模型进行低采样数据的训练，并检查模型对保留的评估(从原始数据-不欠采样)是非常重要的。
现在同性恋来了。交叉验证实际上将欠采样的列车组分割成K段，并将其中一个折叠作为测试集(现在是欠采样的测试集)
浏览 0提问于2019-02-04得票数 12
回答已采纳
因此，我很难理解为什么，作为一种常见的做法，对模型进行交叉验证的步骤还没有经过训练。我所说的一个例子可以在中找到。下面粘贴了一段代码：from numpy import stdfrom sklearn.model_selecti
浏览 0提问于2021-11-27得票数 1
回答已采纳
2回答
在进行交叉验证时，我知道必须执行Nearmise欠采样方法，在使用交叉验证之前，我是否应该将网格搜索与我的低采样数据集(无论在抽样技术下是哪种数据集)或我的整个培训数据集(整个数据集)进行匹配？
浏览 0提问于2021-02-16得票数 0
2回答
我有一个多类分类问题要解决，这是高度不平衡的。很明显，我做的是过采样，但是我用过采样的数据集进行交叉验证，结果我应该在列车和验证集中重复数据。我使用的是lightgbm算法，但令人惊讶的是，交叉验证分数和未见数据集上的分数之间并没有太大的差别。不过，我只想知道，在过度采样数据集之后是否可以进行交叉验证<
浏览 0提问于2019-01-21得票数 4
回答已采纳
我已经用300 K以上的观测数据对我的不平衡数据集应用了SMOTE。使用分层的K-折叠交叉验证，而不仅仅是普通的K-折叠交叉验证(似乎不太可能，每个K-折叠训练集都会不平衡)，这是否仍然有意义？
浏览 0提问于2021-10-19得票数 0
回答已采纳
我有一个高度不平衡的数据集(±5%的正实例)，为此我正在训练二进制分类器。我使用嵌套的5倍交叉验证和网格搜索来进行超参数调整。
我想避免过采样，所以我一直在研究class_weight超参数。对于sklearn的决策树分类器，这是非常好的工作，很容易给出一个超参数。然而，据我所知，这并不是sklearn的神经网络(多层感知器)的一个选择。在交叉验证的keras中有使用class_weights的方法吗？
浏览 0提问于2019-02-07得票数 1
3回答
我的数据集上的信息如下：(第80/20号规则)test size = 56
# of events你个人对这些数据有何看法？
浏览 0提问于2020-08-30得票数 2
回答已采纳
1回答
我想使用SVM、随机森林和深度神经网络(DNN)对两个不同的数据集进行分类。我的一个数据集是平衡的，另一个数据是高度不平衡的。下面是我的数据集的图像，它对于分类是不平衡的。 ? 我想要比较用于这两个数据的所有机器学习的分类结果。哪个数据集产生更好的分类结果。对于平衡数据集，我没有问题，因为可以正常处理它，
浏览 20提问于2019-04-12得票数 0
1回答
要使用交叉验证选择的模型吗？
、、、、
我对不平衡的数据集进行了不同的测试，得到了以下结果：模型2=不平衡数据的列车试验拆分+击击方法。没有交叉验证模型4=列车试验+ smote -F1‘’微‘0,98.
我用f1微型作为度量。我可以将这些模型与f1宏进行</
浏览 0提问于2020-10-28得票数 -1
回答已采纳
3回答
对于不平衡的数据集，选择L1或L2正则化更好吗？
是否有更适合于不平衡数据集的成本函数来改进模型评分(特别是log_loss)？
浏览 0提问于2014-12-13得票数 10
1回答
罕见事件训练后支持向量机性能差
、、、、
我发现加权支持向量机是一种处理类不平衡问题的分类方法。我的数据集与罕见事件(标记为1的少数类)和多数类(标签为0)高度不平衡。因此，我用分层交叉验证技术实现了监督分类加权svm技术，因为这些技术能够处理类的不平衡。我为C参数(boxconstraint)添加了额外的调优。训练采用5倍交叉验证方法进行.该方法在训练集上效果良好。我在训练后表现很好。这我可以说是因为通过观察训练后的混乱矩阵。cmMatr
浏览 0提问于2018-07-11得票数 1
回答已采纳
我正在为我的项目rn处理一个高度不平衡的数据集，为了简单起见，我将在这里给出一个简单的例子:数据集有20‘0和80’1的数，所以总数是100。假设我已经使用under-sampling进行分层拆分(X_train.shape为80，X_test.shape为20)，那么我的问题是如何在列车数据集中同时使用K-折叠验证来实现。我最初的想法是使用from imblearn.under_sampling import RandomUnder
浏览 2提问于2021-02-07得票数 0
作为一个没有任何预处理的交叉验证的例子，我可以这样做： from sklearn.linear_modelimport SGDClassifier from sklearn.grid_search import GridSearchCVclf = GridSearchCV(myClassifier, p
浏览 2提问于2015-09-16得票数 14
回答已采纳
我正在对数据集进行分类，并使用交叉验证进行建模。交叉验证给出了每个折叠的准确性，因为类是不平衡的，准确性是不正确的度量。我想得到AUC-ROC而不是准确性。
浏览 0提问于2019-04-20得票数 0
回答已采纳
4回答
下面是我代码的核心：from sklearn.cross_validation importtest_size = 0.25, random_state = 0)
from sklearn.ensemblePredicting Test set results
y_pred = classifier.predict(X_t
浏览 0提问于2018-11-06得票数 1
回答已采纳
2回答
我一直在使用Sklearn HistGradientBoostingClassifier对一些数据进行分类。我的实验是用单标签预测(20个标签)进行多类分类.
我的经验显示有两种情况。第一种情况是在不增加数据的情况下(大约3,000个样本)测量这些算法的准确性。第二个例子是用数据增强测量精度(约12,000个不平衡样本)。我使用的是默认参数。然而，随着数据的增加，结果显示较弱的准确性，约23%。我想知道这种准确性是否来自不平衡
浏览 31提问于2022-11-28得票数 0
回答已采纳
2回答
如何对MNIST数据集使用k折叠交叉验证？我阅读了关于sci学习的文章文档，在那个例子中，他们使用整个虹膜数据集进行交叉验证。from sklearn.model_selection import cross_val_scorescores = cross_val_scoreiris.da
浏览 0提问于2018-03-19得票数 2
2回答
我正在开发一个使用不平衡数据集的分类模型。我试图使用不同的抽样技术来提高模型的性能。如果不是，为什么会这样何时确定验证集是测试集的良好代表？这两个结果之间的差异应该在一定范围内吗？
验证结果和测试集结果之间存在较大差异的原因是什么？我从以前的一个问题中了解到，数据从训练集泄漏到验证集，在拆分数据之前对数据进行过采样
浏览 0提问于2020-09-29得票数 0
回答已采纳
2回答
我有一个不平衡的分类问题。然后，我使用R包ROSE同时对Dataset A中的多数类进行了欠采样，并对少数类进行了过采样。这产生了一个平衡集(Dataset C)，其行数与Dataset A一样多。
我已经在数据集C和计算训练AUC上训练了我的模型。
浏览 0提问于2018-04-04得票数 1
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
腾讯会议
云直播
对象存储活动推荐
腾讯云开发者
