样本不均衡的处理方法"/>
机器学习——样本不均衡的处理方法
假定样本数目A类比B类多,且严重不均衡:
1. A类欠/降采样Undersampling
(1) 随机欠采样(通常,有放回的实验结果更好)
(2) A类分成若干子类,分别与B类进入ML模型
(3) 基于聚类的A类分割
2. B类过采样Oversampling
(1) 避免欠采样造成的信息丢失
3. B类数据合成Synthetic Data Generation
(1) 随机插值得到新样本
(2) SMOTE(Synthetic Minority Over-sampling Technique)
4. 代价敏感学习Cost Sensitive Learning
(1) 降低A类权值, 提高B类权值
更多推荐
机器学习——样本不均衡的处理方法
发布评论