我应该在SMOTE之前还是之后执行GridSearch (用于调整超参数)？
在使用SMOTE（Synthetic Minority Over-sampling Technique）进行数据不平衡处理时，通常建议在执行GridSearch之前先进行SMOTE处理。
SMOTE是一种常用的数据增强技术，用于解决分类问题中的数据不平衡情况，通过合成新的少数类样本来平衡数据集。而GridSearch是一种超参数调优的方法，通过遍历给定的参数组合来寻找最佳的模型性能。
将SMOTE放在GridSearch之前的主要原因是，数据不平衡可能导致模型在训练过程中对少数类样本的学习不足，从而影响模型的性能。通过先进行SMOTE处理，可以增加少数类样本的数量，使得模型能够更好地学习到少数类的特征，提高模型的泛化能力。
在执行GridSearch之前进行SMOTE处理的步骤如下：
- 将原始数据集划分为训练集和测试集。
- 对训练集应用SMOTE算法，生成合成的少数类样本。
- 使用合成后的训练集进行模型训练和验证。
- 在训练集上执行GridSearch，寻找最佳的超参数组合。
- 使用最佳超参数组合在测试集上评估模型性能。
这样的处理顺序可以确保在模型调优过程中，使用了经过SMOTE处理后的平衡数据集，从而更准确地评估模型的性能和选择最佳的超参数组合。
腾讯云提供了一系列与机器学习和数据处理相关的产品和服务，例如腾讯云机器学习平台（https://cloud.tencent.com/product/tcmlp）、腾讯云数据处理服务（https://cloud.tencent.com/product/dps）、腾讯云人工智能开放平台（https://cloud.tencent.com/product/aiopen）、腾讯云大数据与AI（https://cloud.tencent.com/product/bda）等，可以根据具体需求选择适合的产品和服务进行数据处理和模型训练。
相关·内容
目前，我正在使用严重不平衡的数据构建一个分类器。我正在使用imblearn管道首先到StandardScaling，SMOTE，然后用gridSearchCV进行分类。这确保了在交叉验证过程中进行过采样。现在，我想将feature_selection包括到我的管道中。我应该如何将这一步包括在管道中？
model = Pipeline([
('sampling', SMOTE()),
('classification', RandomForestClassifier())
])
param_grid = {
&#
浏览 0提问于2019-07-01得票数 4
2回答
我对在数据集上训练不同的算法和观察性能指标很感兴趣。目前，我的方法是对训练数据进行不同的算法训练，然后在测试集上进行性能评估。然后，我使用带有交叉验证的GridSearch来为性能最好的模型找到最优的超参数，然后再用这些参数进行测试。
我对交叉验证有点困惑--这是正确的方法吗?还是有一种方法可以/应该对所有模型进行交叉验证？
浏览 0提问于2022-04-22得票数 1
我使用不平衡数据通过scikit-learn执行分类并提高模型的准确性，我使用SMOTE技术创建了更多的合成数据。我想知道用GridSearch实现超参数优化的最佳时机。我应该只使用原始数据还是使用original+synthetic数据？
浏览 12提问于2019-10-30得票数 0
1回答
我在二进制分类数据集上执行了Logistic回归。结果如下：
训练集精度分数为0.8523，测试集精度为0.8442.。
对于模型的评估和改进，可以使用Kfold和GridSearch cv：
褶皱验证
应用5倍交叉验证
from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X_test, y_test, cv = 5, scoring='accuracy')
print('Cross-validation scores:{}'.format
浏览 0提问于2021-08-23得票数 0
回答已采纳
我正在测试支持向量机的超参数，但是，当我求助于Gridsearch或RandomizedSearchCV时，我无法获得分辨率，因为处理时间超过了几个小时。
我的数据集相对较小: 4303行和67个属性，有四个类(分类问题)。
以下是经过测试的参数：
params =[{'C': [0.1,1, 10, 100],
'kernel': ['poly','sigmoid','linear','rbf'],
'gamma': [1,0.1,0.01,0
浏览 0提问于2022-12-08得票数 1
回答已采纳
我正在处理一个关于二进制分类问题的非常不平衡的数据集(~5%)。我是管道打击和随机森林分类器，使我的过度抽样发生在一个GridSearch简历循环(如建议的)。您可以在下面看到我的实现：
from imblearn.over_sampling import SMOTE
from sklearn.ensemble import RandomForestClassifier
from imblearn.pipeline import Pipeline
from sklearn.model_selection import RandomizedSearchCV, StratifiedKFold
s
浏览 0提问于2018-07-23得票数 2
回答已采纳
1回答
我有一个数据集，我想在其中执行一个分类模型，所以我决定使用随机森林。我拥有的功能数量大约是200个，我想测试哪些功能集给我一个更好的结果。为了进行实验，我不想使用任何特性重要性方法。
因此，我所做的就是将我的特性分成20，40,60,80和100个功能，而不需要替换。我正在使用GridSearch来调整我的射频的超参数。我要问的问题是，如果我想比较每种模型(有20个特性、40个等等)的准确性，那么将GridSearch应用于每一个特征子集是公平的。或者我应该只执行一次Gridsearch，比方说使用20个特性的模型，然后使用包含40个特性、60个特性等等的相同的超参数。
有什么帮助吗？
谢谢
浏览 0提问于2020-01-26得票数 5
回答已采纳
我在GridSearchCV和K折叠交叉验证之间有很多混淆。我知道GridSearch只用于超参数优化，K折叠将我的数据分割成K折叠并在它们上迭代(cv值)。那么，我应该先将数据分割成训练集和验证集，然后将GridSearch应用于训练数据以获得“最佳参数”，然后使用从GridSearch获得的“最佳参数”对训练数据使用K折叠，然后对整个数据(训练+验证集)进行训练。还是有其他的顺序去做上面的事情？
浏览 6提问于2021-06-27得票数 0
回答已采纳
1回答
我有一个有6000条记录的数据。我有一个60-20-20的训练，验证和测试集。我用XGboost得到了大约76%的准确率。我将我的数据转换为时间序列，并应用LSTM/1-D Convnet，准确率约为60%。我的数据集是否太小，无法进行深度学习？ 其次，可以在每个训练上应用SMOTE，测试和验证集(在拆分数据之后)我知道在将数据拆分到训练/测试/验证之前不应该应用SMOTE。是否可以在拆分后对集进行上采样、训练/测试/验证？ 如果在拆分训练/测试/验证集之后对它们进行上采样，我使用LSTM获得了更好的结果(80%)，但这种方法是正确的吗？我只想证明，有了更多的数据，我们可以提高深度学习算法的
浏览 34提问于2019-09-04得票数 0
1回答
我有一个分类问题需要预测(例如，90% / 10%的不平衡二进制变量需要预测)。
为了解决这个问题，我想使用SMOTE方法对这个类变量进行过采样。然而，正如我在这里所读到的()，在k-折叠循环中使用SMOTE以避免过度拟合是最佳实践。
当我使用插入符号包执行我的分析时，我指的是这个链接()。我把一切都完美地取消了，但最后一部分解释了如何更改SMOTE参数：
smotest <- list(name = "SMOTE with more neighbors!",
func = function (x, y) {
libra
浏览 1提问于2015-11-23得票数 5
回答已采纳
我正在用df的数据框架在熊猫中工作。我正在执行一个分类任务，并且有两个不平衡的类df['White']和df['Non-white']。由于这个原因，我已经建立了一个管道，其中包括SMOTE和RandomUnderSampling。
我的管道是这样的：
model = Pipeline([
('preprocessor', preprocessor),
('smote', over),
('random_under_sampler', under),
浏览 14提问于2021-12-18得票数 2
回答已采纳
什么时候你会使用gridsearchcv而不是k-fold？gridsearchcv是否通过CV参数自动执行k折叠？ gridsearch实现示例： GridSearchCV(svc_gc, param_grid=parameter_grid, cv=10)
浏览 22提问于2020-04-28得票数 0
2回答
我想在我的Keras模型上执行超参数优化。问题是数据集相当大，通常在培训中我使用fit_generator从磁盘批量加载数据，但是像SKlearn Gridsearch、Talos等常见的包只支持fit方法。
我试图通过以下方法将整个数据加载到内存中：
train_generator = train_datagen.flow_from_directory(
original_dir,
target_size=(img_height, img_width),
batch_size=train_nb,
class_mode='categorical'
浏览 0提问于2018-08-21得票数 3
回答已采纳
1回答
事情是这样的，我有一个不平衡的数据，我正在考虑使用平滑转换。然而，当使用sklearn管道时，由于缺少值，我会得到一个错误。
这是我的密码：
from sklearn.pipeline import Pipeline
# SELECAO DE VARIAVEIS
categorical_features = [
"MARRIED",
"RACE"
]
continuous_features = [
"AGE",
"SALARY"
]
features = [
"MARRIED&
浏览 0提问于2020-09-19得票数 1
1回答
GridSearchCV为我的随机森林崩溃。我需要知道让它发挥作用的原因和解决办法：
# Grid-Search for Random Forest
param_grid = {
'bootstrap': [True],
'n_estimators': [100, 200, 300, 400, 500],
'max_depth': [50, 100, None],
'max_features': ['auto', 200],
'min_impurity_decreas
浏览 0提问于2020-01-24得票数 2
回答已采纳
我有一个多标签分类问题，有一个巨大的类不平衡问题，因此我想用SMOTE创建一个管道步骤，但由于X基本上是文本，Y是标签的1和0的数组，我不能以这种方式插入SMOTE()，因为它既需要拟合又需要转换。
pipeline = Pipeline([
('smote', SMOTE()),
('vect', CountVectorizer()),
('tfidf', TfidfTransformer()),
('ss', StandardScaler(with_mean=False)),
(&
浏览 2提问于2017-04-25得票数 2
在Linux上，H2O 3.16.0.2 -异常是在运行GBM时发生的。
下面的信息是关于H2O及其例外情况的。
H2O集群正常运行时间:3小时17分钟
H2O集群版本: 3.16.0.2
H2O集群版本年龄:1个月零4天
H2O集群名称:野兽
H2O集群总节点:1
H2O集群空闲内存:25.46GB
H2O集群总核心: 32
H2O集群允许的核心: 32
H2O群集状态:锁定，健康
H2O连接url：
H2O连接代理：
H2O内部安全:假
H2O API扩展: XGBoost、Algos、AutoML、Core V3、Core V4
P
浏览 5提问于2018-01-03得票数 3
回答已采纳
4回答
我一直在阅读我们如何将我们的数据分成3部分；通常，我们使用验证集来帮助我们调整参数和测试集，以便对我们的模型的表现有一个无偏的估计，这样我们就可以根据测试集的结果来比较模型。然而，我也读过模型选择应该在调优参数之前完成。我有点糊涂了。哪一个必须先做另一个？验证集是否用于调优？如果是这样的话，我们应该如何在调整参数之前进行模型选择？
浏览 0提问于2018-11-27得票数 10
回答已采纳
我正在使用Amazon Sagemaker运行一个xgboost模型，以便押注最好的超参数组合。我必须使用sagemaker实现，而不是notebook替代方案来测试它是否比gridsearch运行得更快。我的问题是如何让它在循环中工作。有什么想法吗？我的理解是，我必须用不同的组合来编写大量的工作。我试着这样做作为测试：
for i in range (1,3):
for j in range (13,15):
job_name = 'regression' + '-'+str(i) +"-"+str(j)+"-&
浏览 0提问于2018-05-25得票数 2
1回答
我已经成功地尝试应用GridSearch方法来找到支持向量机的最佳参数，现在我想将其应用到神经网络(MLPClassifier)中，以找到最佳结构(即层数和神经元/层)，最佳激活函数，...
然而，我想知道这是否会在计算上花费太多？此外，我应该如何定义我的“网格”的层数和神经元？这已经被测试过了吗？谢谢
浏览 0提问于2017-09-08得票数 0
我是机器学习和数据科学的新手。抱歉，如果这是个很愚蠢的问题。
我看到有一个内置的函数用于交叉验证，而不是一个固定的验证集。我有一个50,000个样本的数据集，标有从1990年到2010年的年份。我需要在1990-2008年样本上训练不同的分类器，然后对2009年样本进行验证，并在2010年样本上进行测试。
编辑:在@Quan的回答之后，我尝试了这个。应该是这样吗？
# Fit a decision tree
estimator1 = DecisionTreeClassifier( max_depth = 9, max_leaf_nodes=9)
estimator1.fit(X_train,
浏览 5提问于2016-10-21得票数 2
回答已采纳
1回答
我有一个数据集X,y，并将它们分开来训练和测试数据。X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.20, stratify = y, random_state=10)。为了处理不平衡的数据，我想使用SMOTE，然后使用分类算法。然而，我将使用堆叠作为我的分类方法。我会感激知道什么时候我应该使用击打？我应该用它们来定义低级分类器还是高级分类器？
level0 = list()
oversample = SMOTE()
RF = RandomForestClassifier(random_state=
浏览 0提问于2021-04-02得票数 1
5回答
我在Python程序中使用scikit-learn来执行一些机器学习操作。问题是我的数据集存在严重的不平衡问题。
有没有人熟悉scikit-learn或python中不平衡的解决方案？在Java中有SMOTE机制。在python中有类似的东西吗？
浏览 1提问于2013-02-25得票数 40
2回答
我有一个二元分类任务，具有实质性的类不平衡(99%的负- 1%的正)。我想开发一个随机森林模型来进行预测，在建立了一个基线(带有默认参数)之后，我将使用scikit-learn的GridSearchCV进行超参数调优。
在设置了一些参数(如max_depth、min_samples_split等)之后，我注意到，在完成GridSearch之后，最好的参数是最高最大参数(max_depth)和最小的最小参数(min_samples_split、min_samples_leaf)。换句话说，GridSearchCV倾向于将最适合训练集的参数组合起来，即过度拟合它。我一直认为交叉验证可以防止这种情况
浏览 0提问于2022-12-05得票数 1
1回答
我有一个简单的问题，使我突然怀疑我的工作。
如果我只有一个培训和验证集，我是否允许在培训期间监视val_loss，还是这增加了我的培训的偏见。我想在我的验证集的训练结束时测试我的准确性，但是突然我想如果我在训练时监视那个数据集，那会有问题吗？还是没有？
浏览 1提问于2019-05-15得票数 1
回答已采纳
1回答
我想通过网格搜索一个不平衡的数据集来优化SVC的超参数C和Gamma。到目前为止，我已经使用了类权重=‘平衡’，并选择了最佳的超参数基础上的平均F1-分数。但是，数据集是非常不平衡的，也就是说，如果我选择了带有GridSearchCV的cv=10，那么一些少数类就不会在验证数据中得到表示。我正在考虑使用SMOTE，但我在这里看到了必须设置k_neighbors=1的问题，因为在一些少数类中，通常只有1-2个样本。在这种情况下，有没有人知道如何优化超参数呢？还有别的选择吗？
非常感谢你的每一个暗示
浏览 0提问于2020-01-28得票数 3
我使用下面的代码来精确计算分数。为什么默认配置比GridSearch提供更好的结果？
默认配置
clf = svm.SVC(kernel='rbf', gamma='auto')
clf.fit(x_train, y_train.values.ravel())
y_train_pred = clf.predict(x_train)
y_test_pred = clf.predict(x_test)
print('Train set a
浏览 0提问于2019-06-30得票数 2
2回答
我创建了一个预测数据的分类模型，问题是这两个类是高度不平衡的。
我有个问题。我创建了一个预测数据的分类模型，问题是这两个类是高度不平衡的。所以，我用SMOTE+ENN技术来处理它。在将数据分成训练集和测试集之前，我应用了SMOTE+ENN。原因是SMOTE生成合成数据来平衡类。我认为在拆分数据之前执行SMOTE+ENN将为数据创建一个有代表性的状态。
目前，我正在为一篇期刊文章进行研究，我无法修改模型。我唯一能做的就是在分割培训和测试数据之前对为什么执行SMOTE+ENN提供支持性的研究或推理。你能帮我提供一些支持这种方法的论据或理由吗？
例如:我能否提供以下理由：“在拆分数据之前执行SMOT
浏览 0提问于2023-06-02得票数 0
1回答
在Tensorflow中，我正在为我的卷积神经网络(CNN)进行超参数优化。我得到了一个错误：
ResourceExhaustedError (回溯参见上文)：OOM在分配张量时使用shape4136,1,180,432，并键入Floaton/job:localhost/replica:0/task:0/device:GPU:0由分配器GPU__bfc
我优化了这些超参数：
dim_batch_size = Integer(low=1, high=50, name='batch_size')
dim_kernel_size1 = Integer(low=1, high=
浏览 1提问于2018-04-08得票数 3
回答已采纳
我目前有一个不平衡的数据集，如下图所示：
然后，我使用'is_unbalance‘参数，在训练LightGBM模型时将它设置为True。下面的图表显示了我如何使用这个参数。
使用本机API:的示例
使用sckit-learnAPI:的示例
我的问题是：
is_unbalanceOr 是应用is_unbalance参数正确的方法吗？如何使用scale_pos_weight代替，我应该使用SMOTE技术来平衡数据集，比如SMOTE-ENN<code>E 222</code>或SMOTE+TOME
谢谢!
浏览 28提问于2022-04-12得票数 2
3回答
超参数调谐
、、、、
我目前正在自己做一个项目。对于这个项目，我试图比较多个算法的结果。但是我想确保每个测试的算法都被配置成给出了最好的结果。
因此，我使用交叉验证和测试每一个组合的参数，并选择最佳。
例如：
def KMeanstest(param_grid, n_jobs):
estimator = KMeans()
cv = ShuffleSplit(n_splits=10, test_size=0.2, random_state=42)
regressor = GridSearchCV(estimator=estimator, cv=cv, param_grid=param_
浏览 0提问于2020-02-05得票数 1
回答已采纳
免责声明:我知道这可以被认为是一个主观类型的问题，但我希望它足够具体，不被标记。请给我一次机会。
我正在做一个GridSearch的科学工具包-学习在一个50本书的语料库(所有的一般商业出版的texts...each ~200页的文本)。
当我开始和GridSearch玩的时候，我开始思考。当然，建造管道一定有某种“最佳做法”吗？
当然，我可以包括和删除参数，但我真的只是在黑暗中捅来刺去，以获得最好的分数。
也许，首先使用更大、更有效的参数来创建一个更小、更探索性的管道是有意义的。在运行这个基本管道之后，接下来可以运行更多影响较小的参数(一般情况下)。
例如，假设我是GridSearching
浏览 0提问于2016-01-18得票数 2
我正在研究数据，在这些数据中，我尝试了不同的分类算法，并看看哪种算法作为基线模型的性能最好。这方面的代码如下：
# Trying out different classifiers and selecting the best
## Creat list of classifiers we're going to loop through
classifiers = [
KNeighborsClassifier(),
SVC(),
DecisionTreeClassifier(),
RandomForestClassifier(),
AdaBo
浏览 2提问于2021-08-08得票数 1
回答已采纳
我对在训练阶段如何使用验证集感到困惑(像CNN这样的神经网络)？在Matlab或python(Keras)这样的平台中，我将数据集分为训练集、验证集和测试集。我知道验证集用于调优超参数(如神经元数目和学习速率)，假设使用SDG优化器，如何根据验证集进行调优？验证集是否只是给出了神经网络对不可见数据(验证集)表现的指示，然后基于此我手动设置了超参数？还是自动(优化器)调优超参数？
浏览 0提问于2020-07-19得票数 2
回答已采纳
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1=列车试验验证拆分+交叉验证(cv=10)-F1‘’微‘0,95
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3=列车试验验证+ smote方法-F1‘’微‘0,97
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宏进行比较，还是应该使用另一个类似于f1宏的模型？或者仅仅是accuracy_score？
浏览 0提问于2020-10-28得票数 -1
回答已采纳
我是sklearn & XGBoost的新手。我想使用GridSearchCV来调优XGBoost分类器。我想做的检查之一是对火车和测试中的损失进行图形分析。到目前为止，我已经创建了以下代码：
# Create a new instance of the classifier
xgbr = xgb.XGBClassifier()
# Create a new pipeline with preprocessing steps and model (imballanced learn)
pipeline = imb_pipeline([
浏览 3提问于2022-04-21得票数 0
1回答
我已经成功地编写了一些代码，使用lightGBM作为我的回归器并使用sklearn.pipeline进行嵌套交叉验证。
最后，我现在想做特性选择(或者真正得到特性对最终模型的重要性)，但是我想知道从这里选择什么是最好的方法。我想有两种可能性：
1#使用这种方法使用最佳的超参数(使用.fit和.predict)来构建模型。然后检查该模型的特性的重要性。
2#会在嵌套cv的内部折叠中进行特性选择，但我不知道如何准确地做到这一点。
我想#1将是最简单的，但我不知道如何获得最佳的超参数为每个外折叠。
这个线程接触到它：
但是所选的答案完全放弃了cross_val_score，这意味着它不再是嵌套交叉验
浏览 1提问于2019-08-05得票数 1
长期R用户，学习Python。我试图使用GridSearch尝试在管道中的PCA步骤中尝试不同数量的组件，以及多个估计器。我认为下面的代码正在执行这些操作(使用GridSearch文档加上其他来源)，但是best_params_的结果没有预处理参数&估计参数；相反，它打印{'prep2__pcadtm__n_components': 3}，这向我表明他的代码没有执行我认为的那样。
Is下面的代码--测试同一GridSearch?中具有多个超参数和多个估计器(加超参数)的预处理方法？--如果not...How可以在同一个GridSearch？中包含多个超参数和多个估计器(
浏览 0提问于2020-12-07得票数 0
回答已采纳
使用GridSearchCV best_score_和把best_params_从GridSearchCV到cross_val_score，我得到了不同的结果。只有在决策树和随机森林的情况下才会发生这种情况。而对于"SVM“、"KNN”、"LR"，结果是相同的。
下面是我使用的代码：
def dtree_param_selection(X,y):
#create a dictionary of all values we want to test
param_grid = { 'criterion':['gini'
浏览 3提问于2020-01-18得票数 0
回答已采纳
1回答
问题是:当我使用GridSearch进行fit时，我需要做一些事情来进行交叉验证过程？
我知道的事：
1.-我可以设置一个记分函数(但不太清楚该如何做，至少对我来说是这样)
2.-如果我没有将“cv”参数传递给GridSearch类，那么它将使用默认的3倍交叉验证。
对于我传递的数据，GridSearch到底是怎么做的？，所有的数据都在列车中使用，或者在火车和测试数据中被分割？
谢谢!
PD:看来我的分类器有过度拟合，因为有一个100%的分数，但没有好的结果与新的数据。
浏览 4提问于2017-02-02得票数 0
回答已采纳
2回答
from sklearn.model_selection import GridSearchCV
svm2=SVC()
grid={
'C': [0.1, 1, 10, 100, 1000],
'kernel': ['linear', 'poly', 'rbf', 'sigmoid'],
'gamma': [1, 0.1, 0.01, 0.001, 0.0001]
}
svm_g
浏览 0提问于2021-10-09得票数 0
1回答
在Andrew Ng的课堂讲稿中，他们使用了LBFGS并获得了一些隐藏的功能。我可以使用梯度下降代替，并产生相同的隐藏特征吗？其他参数都是一样的，只需改变优化算法即可。
因为当我使用LBFGS时，我的自动编码器可以产生与讲座笔记中相同的隐藏特征，但当我使用梯度下降时，隐藏层中的特征消失了，看起来完全是随机的。
具体地说，为了优化成本函数，我实现了1)成本函数，2)每个权重和偏差的梯度。并将它们放入scipy优化工具箱中对代价函数进行优化。这个设置可以给我合理的隐藏功能。
但当我改成梯度下降。我试着让“权重梯度的权重”和“偏差梯度的偏差”。但由此产生的隐藏特征看起来完全是随机的。
有没有人能帮我
浏览 0提问于2016-05-16得票数 0
我有一个名为yeast4的不平衡数据集。记录分为两类目标“积极”和“消极”。正类只占总比例的3%。我使用了kNN算法进行分类，我没有指定k，但我在训练数据上使用了5折交叉验证。我发现: auc_knn_none = 0.7062473。我很感兴趣地添加了一个过采样算法来提高模型的质量。所以我使用了SMOTE算法，而且我没有指定k ok kNN，我在训练数据上使用了5折交叉验证。但这次，我发现: auc_knn_smote = 0.56676。通常情况下，auc_knn_smote必须高于auc_knn_none，所以有一些问题，我不知道问题出在哪里。下面是我的代码：
library(imbal
浏览 9提问于2020-08-30得票数 0
如何使用GridSearch结果确定要删除哪些特性/列/属性？
换句话说，如果GridSearch返回max_features应该是3，那么我们能确定一个应该使用哪些确切的3个特性吗？
让我们来看看带有4个特性的经典Iris数据集。
import numpy as np
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import StratifiedKFold
from sklearn.model_selection import GridSearchCV
from sklearn i
浏览 0提问于2019-02-05得票数 1
回答已采纳
3回答
我刚刚使用DMwR包中包含的Smote在我的数据集中进行了过采样。
我的数据集由两个类组成。最初的分布是12比62。因此，我对过采样进行了编码：
newData <- SMOTE(Score ~ ., data, k=3, perc.over = 400,perc.under=150)
现在，分布是60对72。
然而，当我显示'newData‘数据集时，我发现SMOTE是如何进行过采样的，并且有一些样本是重复的。
例如，样本号24显示为24.1、24.2和24.3。
这是正确的吗？这直接影响到分类，因为分类器将学习包含测试中出现的数据的模型，因此这在分类中是不合法的。
编辑:我想
浏览 5提问于2014-06-08得票数 2
1回答
我正在开发一个二元分类不平衡的营销数据集，该数据集有：
是的比率为88:12 (不-不是买的，是买的)
~4300次观测和30个特征(9个数字和21个分类)
我将我的数据分为列车(80%)和测试(20%)集合，然后在列车上使用standard_scalar & SMOTE。SMOTE将训练数据集与1:1的比例设为“No:Yes”。然后，我运行了一个逻辑回归分类器，如下面代码所示，在测试数据上获得了80%的召回分数，而在测试数据上只有21%。
随着SMOTE召回的增加是很大的，但是假阳性率很高(请参考图像中的混淆矩阵)，这是一个问题，因为我们最终会针对许多虚假(不太可能购
浏览 0提问于2019-05-18得票数 0
引用模型的特定“参数”为\theta_1，还是将该模型的特定“权重”称为w_1，两者之间有什么差别吗？
它们总是完全一样吗？
浏览 0提问于2019-11-23得票数 2
我正试图训练一个1D-CNN的表格数据，然后使用LRP在它(它已经做了)。我被困在了实现的model.fit()部分。到那时为止，一切似乎都正常。
下面是我遇到的错误：
model_history = model.fit(X_train_smote, y_train_smote, batch_size=100, epochs=100, validation_split = 0.2)
Epoch 1/100
---------------------------------------------------------------------------
ValueError
浏览 12提问于2022-10-03得票数 0
1回答
如果我将整个可用培训数据的子集用于模型优化和超级参数选择，那么是否应该将最终模型与子集培训数据集或整个可用的培训数据相匹配？例如，如果我有1万个可用的样本，并且我将一个100 K的随机样本作为测试保留，而200 K的随机样本作为模型调优的训练数据集，那么用于在1) 200 K训练数据集上拟合最终模型的调优超级参数，还是2) 900 K可用数据(不包括测试保留)？换句话说，超参数可以推广到整个种群吗？
我假设持久化数据集和训练数据集都是随机选择的，并遵循原始数据中的类分布。
浏览 0提问于2020-06-24得票数 0
回答已采纳
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
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
