原文来自：https://towardsdatascience.com/handling-imbalanced-datasets-in-machine-learning-7a0e84220f28
问题背景介绍
假设您在给定的公司中工作，并要求您创建一个模型，该模型根据您可使用的各种度量来预测产品是否有缺陷。您决定使用自己喜欢的分类器，对数据进行训练，然后瞧：您将获得96.2％的准确性！您的老板很惊讶，决定在不进行任何进一步测试的情况下使用您的模型。几周后，他进入您的办公室，突显了您的模型的无用之处。实际上，您创建的模型从生产开始就没有发现任何有缺陷的产品。经过一些调查，您发现贵公司生产的产品中大约只有3.8％有缺陷，并且您的模型始终会回答“无缺陷”，从而达到96.2％的准确性。您获得的“原始”结果是由于您使用的数据集不平衡造成的。本文的目的是回顾可用于解决不平衡类的分类问题的不同方法。
大纲
首先，我们将概述有助于评估“navier behivor”的不同评估指标。然后，我们将讨论重构数据集的一整套方法，并证明这些方法可能会产生误导。最后，我们将证明，在大多数情况下，重新解决问题是最好的解决方法。用（∞）符号表示的某些小节包含更多数学细节，可以跳过而不会影响该帖子的整体理解。还要注意，在以下大部分内容中，我们将考虑两个类别的分类问题，同时，这些也可以扩展到多分类。
检测“naive behaviour”
在第一部分中，我们想提醒一下评估经过训练的分类器的不同方法，以确保检测到任何类型的“naive behaviour”。正如我们在引言示例中看到的那样，准确性虽然是一项重要且不可避免的指标，但可能会产生误导，因此应谨慎使用，并与其他指标一起使用。让我们看看可以使用哪些评价指标。
混淆矩阵，精确度，召回率,F1
混淆矩阵是处理分类问题时始终应使用的一个好而简单的度量标准。该指标提供了模型运行情况的有趣概述。因此，这是任何分类模型评估的一个很好的起点。在下图中，我们总结了可以从混淆矩阵得出的大多数指标
让我们简要描述这些指标。模型的准确性基本上是正确预测的总数除以预测的总数。类的精度定义当模型回答某个点属于该类时结果的可信度。召回一个类表示模型能够很好地检测到该类。一类的F1分数由精度和查全率的调和平均值（2×精度×查全率/（精度+查全率））给出，它将一个类别的查明率和查全率结合在一起。
对于给定的类，召回率和精度的不同组合具有以下含义：
高召回率+高精度：模型可以完美地处理各种分类
召回率低，精度高：该模型无法很好地检测到类别，但是当它确实存在时，是高度可信赖的
召回率高+精度低：可以很好地检测类别，但是模型中也包含其他类别的点
召回率低+精度低：模型处理不佳
网友评论