通过Logistic回归实现平衡

是指在二分类问题中，通过Logistic回归算法来解决样本不平衡的情况。样本不平衡是指在训练数据中，两个类别的样本数量差异较大，导致模型在预测时对数量较多的类别预测准确率较高，而对数量较少的类别预测准确率较低。

为了解决样本不平衡问题，可以采用以下方法：

过采样（Oversampling）：通过复制少数类样本来增加其数量，使得两个类别的样本数量接近。常用的过采样方法有随机复制、SMOTE（Synthetic Minority Over-sampling Technique）等。
欠采样（Undersampling）：通过删除多数类样本来减少其数量，使得两个类别的样本数量接近。常用的欠采样方法有随机删除、Tomek Links等。
合成采样（Combining Oversampling and Undersampling）：结合过采样和欠采样的方法，既增加少数类样本数量，又减少多数类样本数量。
阈值调整（Threshold Adjustment）：通过调整分类阈值来平衡模型对两个类别的预测结果。通常情况下，将分类阈值调整为少数类样本的概率较高的值，可以提高对少数类的识别能力。
使用代价敏感学习（Cost-sensitive Learning）：为不同类别的样本设置不同的分类代价，使得模型更加关注少数类样本的分类准确性。

腾讯云相关产品和产品介绍链接地址：

腾讯云提供了一系列云计算相关的产品和服务，包括云服务器、云数据库、云存储、人工智能、物联网等。具体推荐的产品和介绍链接如下：

云服务器（CVM）：提供弹性计算能力，支持多种操作系统和应用场景。了解更多：https://cloud.tencent.com/product/cvm
云数据库MySQL版（CDB）：提供高可用、可扩展的关系型数据库服务。了解更多：https://cloud.tencent.com/product/cdb_mysql
云存储（COS）：提供安全、稳定、低成本的对象存储服务。了解更多：https://cloud.tencent.com/product/cos
人工智能（AI）：提供图像识别、语音识别、自然语言处理等人工智能服务。了解更多：https://cloud.tencent.com/product/ai
物联网（IoT）：提供设备接入、数据采集、远程控制等物联网解决方案。了解更多：https://cloud.tencent.com/product/iot

以上是腾讯云在云计算领域的一些产品和服务，可以根据具体需求选择适合的产品来实现平衡的Logistic回归。

页面内容是否对你有帮助？

有帮助

没帮助

通过Logistic回归实现平衡

、

我有一个关于逻辑回归的问题。在我的论文中，我必须使用Python比较使用不同财务比率的公司。财务比率应通过logistic回归或probit回归来平衡。我只需要回归来平衡不同的财务比率，而不是解释因变量。目标是为每个公司计算一个分数(“倾向性分数”)，然后我可以计算到“最近的”公司的距离，从而获得与其他公司的可比性的代理。

浏览 12提问于2020-08-02得票数 0

1回答

我有一个训练集，有一个特征(信用平衡)-数字变化在0-20,000之间。响应为0 (Default=No)或1 (Default=Yes)。这是一个用logistic函数生成的模拟训练集。因此，这是一个适用于Logistic回归的经典案例。然而，应用Logistic回归得到的分数为0.5分，因为只有y=1被预测。以下是应用Logistic回归的方法-import pandas as pd import matpl

浏览 7提问于2021-06-27得票数 1

1回答

非平衡数据集上的Logistic回归与随机林

、

我有一个不平衡的数据集，其中阳性仅占整个样本的10%。我使用logistic回归和随机森林进行分类。通过对这些模型结果的比较，发现0,1和0，0.6之间的logistic回归结果在概率输出上存在一定的差异。我不能分享数据集，但我怀疑这些算法的工作。随机森林如何产生小于0.6的概率？

浏览 0提问于2020-07-23得票数 1

回答已采纳

1回答

XGBoost:如何调整二进制分类器的概率以匹配训练数据？

、、、

训练和测试数据的阳性率约为1%，但模型预测的阳性率仅为0.1%左右。我试过校准，但没什么改进。我也不想选择阈值，因为最终目标是输出概率。我想要的是模型有很多分类阳性，类似于实际数据中的阳性数。

浏览 0提问于2020-01-31得票数 5

2回答

logistic回归对测试数据不平衡与训练的不良分类性能

、、

我试图将logistic回归模型拟合到高维(约15k)的不平衡数据集(0.5/99.5)。我用随机森林来选择最重要的200个特征。观测值在120 K左右。当我对基于数据集的logistic回归模型进行拟合时(使用Smote进行过采样)，在训练f1时，查全率和准确率都很好。但在测试中，精度分数和f1都很差。我目前正在尝试不同的不平衡数据集的抽样方法，也计划尝试PCA。

浏览 0提问于2017-03-27得票数 7

回答已采纳

2回答

如何平衡某个类的样本数量非常多的训练数据集？

、、、、

数据集是高度不平衡的，'0': 7072 (4.5%), '1': 27273 (17.4%), '2': 79583 (50.9%), '3': 32927我可以做些什么来平衡数据集？一种解决方案是通过将每个类的样本减少到仅7072个来获得相同数量的样本，但这会极大地减少数据集！如何在不影响整体分类精度的情况下优化和平衡数据集？

浏览 5提问于2014-11-19得票数 1

2回答

哪个分类器在使用“类权重”时性能更好？

、、

我使用“class_weight”方法平衡了我的多类分类问题，使用了Logistic回归、随机森林和XGBoost分类器。在这三种方法中，少数类的logistic回归结果显著高于其他两种模型。

浏览 0提问于2019-08-30得票数 3

回答已采纳

1回答

多类回归的不平衡数据

、、

我试图比较多类logistic回归(OvR)和随机森林的性能，但是我的数据集与标签的5个可能值是不平衡的。数据不平衡对绩效有影响吗？

浏览 8提问于2022-09-08得票数 -1

2回答

在SKLearn Logistic回归中，class = Balanced有助于使用不平衡的数据运行模型？这个选项使用什么方法？

、、、、

在阅读了关于随机抽样、随机过抽样和SMOTE的文章之后，我试图了解在Logistic回归或随机森林的SKlearn包中默认实现使用了什么方法。我检查了文档我无法理解它下的样本多数类或超过样本少数类来创建平衡集

浏览 1提问于2018-05-03得票数 2

回答已采纳

2回答

不平衡分类:过采样与缩放特征的顺序？

、、

当使用不平衡的数据集(例如，欺诈检测)执行分类(例如，逻辑回归)时，是最好在过度采样少数类之前对特征进行缩放/zscore/标准化，还是在缩放特征之前平衡类？下面是一个例子：

浏览 0提问于2018-01-21得票数 7

1回答

SGD分类器和Logisitc回归有什么区别？

、、、

据我理解，SGD分类器和Logistic回归似乎相似。损失=对数的SGD分类器实现Logistic回归，损失=铰链实现线性支持向量机。我还了解到logistic回归采用梯度下降作为优化函数，SGD采用随机梯度下降，收敛速度要快得多。但这两种算法中哪一种会在哪种情况下使用？另外，SGD和Logistic回归有什么相似之处，它们又有何不同？

浏览 0提问于2018-09-07得票数 10

2回答

当有多个标签时，分类器很好

、

例如，逻辑回归似乎不合适，因为在它的基本形式中，它只支持两个标签，对吗？

浏览 0提问于2021-11-21得票数 4

1回答

不平衡数据的Logistic回归，仅基于稀有类的评分

、、、

我想用logistic回归来帮助我预测这个罕见的事件，但是即使我应用加权，分类的准确性也很差。我知道我可以重新平衡数据集，但问题是，很多其他奇怪的事情正在发生，这意味着各种事件，但这并不代表我试图预测的事件的确切类型。因此，重新平衡本身将是一个庞大而复杂的任务，试图将有代表性的怪癖纳入裁剪的数据集中。我发现，通过使用基于以下误差度量的国产logistic回归分类器，然后使用scipy.optimimize.minimize和方法=‘Powell’对参数进行调优以最小化该

浏览 0提问于2021-04-21得票数 0

回答已采纳

1回答

Logistic回归损失函数到Softmax的转换

、、、

我目前有一个程序，它采用特征向量和分类，并将其应用于已知的权重向量，以使用Logistic回归生成损失梯度。grad[j] = features[j] * gradMultiplier;我正在尝试做的是使用Softmax回归实现类似的东西我如何使用Softmax实现与上面类似的功能？基于Softmax的维基百科页面，我的印象是我可能需要多个权重向量，每个可能的分类一个。我说错了吗？

浏览 5提问于2016-05-23得票数 0

1回答

过量抽样对logistic回归有什么影响？

、

我是用logistic回归来建立这个模型。我以前参加过5次竞选，一般每次竞选的转化率都在10%左右。因此，为了处理这个不平衡的数据集和获取更多的信息，我从这个数据中抽取了一个分层样本(整个5次运动)，这样就有50%的样本带有负片和50%的阳性。因此，我夸大了我的积极之处。我的怀疑是，如果我使用逻辑回归，它估计系数的最大对数似然。这种过度采样会产生偏倚结果吗？而且，我认为这种过度采样不会对随机森林造成任何问题？

浏览 0提问于2020-07-25得票数 0

3回答

什么样的算法可以用来预测板球比赛的结果？

、、、

二次回归是个好主意吗？或者，基于概率的预测算法，如马尔可夫算法，是普遍使用的吗？还有其他我应该使用的算法吗？因此，基本上，我想知道我应该使用哪种算法，我最终将在C++中实现，但我将首先在R或python中实现。我是这个领域的新手，所以如果这个问题听起来太蠢，请原谅。到目前为止，我在数据分析方面已经学会了回归。

浏览 0提问于2016-04-12得票数 0

1回答

多类分类问题的步骤

、、、

目标是建立一个模型，通过提供的特性来预测类。我应用的步骤如下：检查类是否平衡，如果出现不平衡，则纠正此问题。基于Pearson、Chi-2、RFE、logistic回归和XGBoost结果的特征选择从第二个步骤开始，实现步骤的正确顺序是什么，等等？我应该先平衡类，然后选择特性，然后应用XGBoost吗？此外，我应该把数据集分割成训练和测试，然后才应用简历，还是可以在整个

浏览 0提问于2021-10-04得票数 0

回答已采纳

3回答

为什么Logistic回归比svm更好？

、、、、

我尝试过不同的ML算法，发现Logistic回归比所有算法都要好，但是我无法理解why.My数据具有比观察更多的特性。支持向量机-应该在高维数据上表现良好，即使存在类不平衡，也会表现良好，但没有显示出很好的效果。朴素贝尔斯-我认为朴素贝尔斯表现不佳，因为阶级不平衡。随机森林-体面performance.but没有表现出logistic回归。注意:数据集是稀疏的，它比观测/示例具有更多的特性/参数。

浏览 0提问于2019-04-10得票数 1

1回答