sklearn里有哪些方法是可以处理不均衡的分类问题的？比如采样和权重？
2个回答
通过欠采样、过采样等方法来调整样本分布，可以参考imbalance包
调整样本权重，可以调整类似Logistic Regression中的class_weight参数来调整不同类别样本对损失函数影响的大小。
如有错误，欢迎指出。
咸魚
2019-03-23 17:30
sklearn只是工具，很多时候需要自己去完成一些步骤来处理非均衡问题。
比如欠采样、过采样，训练时候的权重，交叉验证的时候进行分层验证。
选用适合的损失函数和评价标准也是很重要的，比如用roc auc以及召回-精度曲线。
SofaSofa数据科学社区DS面试题库 DS面经
Willyd
2019-04-17 13:33
相关主题
sklearn.linear_model.SGDClassifier中的参数n_iter设置问题
2回答
查看sklearn版本
1回答
GradientBoostingClassifier的每次输出结果不同
1回答
sklearn训练classifier的时候报错Unknown label type
1回答
求sklearn.pipeline.Pipeline使用的例子
1回答
lightgbm.LGBMModel和lightgbm.LGBMClassifier该用哪个？
1回答
我们谢绝在回答前讲“生动”的故事。
我们谢绝“这么简单，你自己想”、“书上有的，你认真看”这类的回答；如果你认为对方的提问方式或者内容不妥，你可以直接忽略该问题，不用进行任何作答，甚至可以对该问题投反对票。
我们谢绝答非所问。
我们谢绝自己不会、硬要回答。
我们感激每一个用户在编写答案时的努力与付出！