在分類問題中,我們經常會遇到正負樣本資料量不等的情況,比如正樣本為10w條資料,負樣本只有1w條資料,以下最合適的處理方法是( )（多選）
a. 將負樣本重複10次,生成10w樣本量,打亂順序參與分類
b. 直接進行分類,可以最大限度利用資料
c. 從10w正樣本中隨機抽取1w參與分類
d. 將負樣本每個權重設定為10,正樣本權重為1,參與訓練過程
答案：acd
解決這類問題主要分重取樣、欠取樣、調整權值
a可視作重取樣的變形。改變資料分布消除不平衡，可能導致過擬合。
c的方案提高少數類的分類效能，可能丟失多數類的重要資訊。
如果1：10算是均勻的話，可以將多數類分割成為1000份。然後將每乙份跟少數類的樣本組合進行訓練得到分類器。而後將這1000個分類器用assemble的方法組合位乙個分類器。
另：如果目標是 **的分布 跟訓練的分布一致，那就加大對分布不一致的懲罰係數。
d方案也是其中一種方式。
---------------------
**：
sklearn機器學習 貝葉斯的樣本不均衡問題
import numpy as np from sklearn.bayes import multinomialnb,gaussiannb,bernoullinb from sklearn.model selection import train test split from sklearn.da...
一文看懂機器學習 樣本不均衡問題
這裡簡單以二分類問題說明，如果正負樣本比例為1 100，這樣的比例是必須得考慮的問題，也得解決樣本不均勻的問題，否則訓練出來的模型會具有偏向性。例如 樣本中有980個正樣本，20個負樣本，這樣模型只需要輸出結果為正樣本，就可以達到99.8 的正確率，但是這樣的模型是沒有意義的，不具備泛化性。常用的處...
機器學習中如何解決樣本不均衡的問題？
1.上取樣和下取樣 上取樣 通過增加分類中少數類樣本的數量來實現樣本均衡，最直接的方法是簡單複製少數類樣本形成多條記錄，這種方法的缺點是如果樣本特徵少而可能導致過擬合的問題 經過改進的過抽樣方法通過在少數類中加入隨機雜訊 干擾資料或通過一定規則產生新的合成樣本。下取樣 通過減少分類中多數類樣本的樣本...