我有一个2类(1 & 0)的不平衡数据集。1的可能性大约是0的6倍。因此，我使用SMOTE通过过采样来平衡数据集。使用SMOTE会给出一个非常扭曲的结果。output of test with all labels = 1当我没有对数据集进行<em
浏览 0提问于2017-06-10得票数 0
我试图解决一个多类不平衡的分类问题。为此，我使用SMOTE表示过采样，而OSS用于过采样.但我有一个疑问，因为我正在研究多类，所以我必须把它转换成二进制分类。所以我们可以用OVA/OAA来转换它。那么，如何使用OVA/OAA同时对同一数据集进行过采样和欠采样？
浏览 0提问于2019-01-28得票数 2
1回答
我在here的工作(句子分类的卷积神经网络)的tensorflow link中遇到了丹尼·布里茨的实现，我想对每个句子的嵌入向量执行SMOTE (过采样)，不确定如何获得嵌入，或者是否可以在嵌入之前进行过采样，以下是丹尼的嵌入部分： with tf.device('/cpu:0'), tf.name_scope("e
浏览 34提问于2019-04-08得票数 0
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。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
浏览 5提问于2014-06-08得票数 2
较少是(6%)和较多(94%)的数据集。所有的分类算法(ANN，C4，CART)在SPSS中都能预测出测试集中的所有值为No。我做什么好？
数据大约有2500行和85列。
浏览 0提问于2016-08-06得票数 0
回答已采纳
当我使用SMOTE对四类分类问题中的三类进行过采样时，针对少数类的Prec、Recall和F1度量仍然很低(~3%)。我的数据集中有32个分类变量和30个连续变量。所有的分类变量已被转换为二进制列使用一热编码。此外，在进行过采样处理之前，我将使用Iterativeimputer计算所有缺失的值。关于分类器，我使用的</e
浏览 0提问于2019-08-09得票数 0
1回答
对于多类分类，我有不平衡的数据集，我尝试在XGboost中使用类权重选项，而分类器仍然倾向于支持大多数类。我不确定我是否需要调整其他的东西，或者我应该如何处理这个问题。如果阿尔戈预测的地方到处都是，我仍然能理解，但不确定为什么它仍然偏向于多数阶级。有什么指示吗？
更新:我的意思是大部分的预测仍然是针对主修班的，在测试和训练中，这个比例大约是30%。
浏览 0提问于2019-03-11得票数 2
这个问题有点偏执，比如在谷歌，搜索结果会被音频和傅里叶变换等混合在一起。
从imblearn.over_sampling进口sm = SMOTE(random_state=12，ratio = 1.0) x_train_res，y_train_re
浏览 1提问于2018-01-26得票数 0
回答已采纳
1回答
我一直在研究机器学习模型，我很困惑该选择哪种模型，或者是否有其他我应该尝试的技术。我正在使用随机森林来预测使用高度不平衡的数据集进行转换的倾向。目标变量的类平衡如下所示。UpSampling，然后使用欠采样。下面是我用于上采样和欠采样的代码
train_initial, test = new_data.randomSplit([0.7, 0.3], seed =
浏览 3提问于2018-11-22得票数 1
我正在使用SMOTE对包含值0和1的二进制类TARGET_FRAUD进行重采样。0有大约900条记录，而1只有大约100条记录。我想对1类进行过采样，使其达到800左右。#fix imbalanced data
sns.countplot('T
浏览 41提问于2019-09-27得票数 0
2回答
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？其次，这些步骤的顺序是否会影响最终如何解释特性(当使用所有数据scaled+balanced来训练最终模型时)？下面是一个例子：
使用所有培训(不平衡)数据计算平均值/std；使用这些计算来缩
浏览 0提问于2018-01-21得票数 7
1回答
过量取样的允许限度是多少？
、、、、
是否有理由用16个样本对类进行过度抽样，使其有435个样本？还是用435个样本对这类学生进行低采样比较好？如果是的话，在进行了不充分的抽样后，应该有多少个样本？
浏览 0提问于2018-02-08得票数 3
回答已采纳
我正在使用Auto-Sklearn，并且有一个包含42个严重不平衡的类的数据集。处理这种不平衡的最好方法是什么？据我所知，在机器学习中存在两种处理不平衡数据的方法。要么使用重采样机制，如过采样或欠采样(或两者的组合)，要么在算法级别上通过选择需要深入了解Auto-Sklearn中使用的算法的归纳偏差来解决它。我不太确定如何处理这个问题。有没有可能
浏览 2提问于2020-02-21得票数 2
但是，我初始化了imblearn的类(以执行过采样).[IN] smote_pipeline = make_pipeline_imb(SMOTE(), classifier(random_state=42)) smote_prediction = smote_model.predict(X_tes
浏览 1提问于2018-03-20得票数 14
回答已采纳
2回答
我使用的数据集具有高度不平衡的数据(Y=5%和N=95%)，该数据集具有3000条唯一记录。为了选择特征，我使用了信息增益。然后应用随机森林，百分比分割为66。分类正确的实例96.1698 %分类错误的实例3.8302 %A-b <--分类为26 28 |b=Y
此外，我已经尝试了SMOTE过滤器，但这并没有太多的改变(得到非常相似的结果)。我将SMOT
浏览 2提问于2017-11-21得票数 1
我正在尝试在分类问题中同时使用cross_validate函数和SMOTE函数，我想知道如何正确使用它。这是我用来在机器学习分类算法中调用cross_validation的简单函数： # trainning, scoring = statistic)
我访问了来搜索是否可以在调用cross_validate函数之前确定训练数据集和测试数据集，而不是发送完整的
浏览 3提问于2019-08-02得票数 1
1回答
我使用tensorflow flow.from目录函数加载图像，并使用smote函数进行重采样。batch_size = batch_size, #,color_mode='grayscale'smote= SMOTE()
X_sm, y_sm = smote.fit_resamp
浏览 2提问于2021-07-12得票数 1
回答已采纳
3回答
在数据集上应用随机过采样的时间
、、、、
我翻阅了笔记本的乳腺癌- EDA，平衡和ML。在这个笔记本中，Random Oversampling已经实现。然而，当该人进行过度抽样时，他会在整个数据集上进行。我知道过采样只能应用于训练数据集。在我的例子中，在将数据分割成训练和测试集之后，我对训练数据进行了过度采样。精确性，以及我所得到的回忆都不如Kaggle笔记本好。Kaggle结果
precision recall f1-score sup
浏览 0提问于2022-09-05得票数 4
2回答
如何稳定机器学习模型？
、、、、
我有一个训练模型的数据。此外，我还有另一个数据来测试每周模型的性能。然而，该模型似乎并不稳定。训练分数和每周测试分数之间存在一些差异。另一方面，这是一个欺诈问题，我使用的是XGBoosting方法。我可以使用不同的算法和参数。
浏览 26提问于2020-06-10得票数 0
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
云直播活动推荐
腾讯云开发者
