个人中心
文章发布
退出
作者热门文章
- html - 出于某种原因，IE8 对我的 Sass 文件中继承的 html5 CSS 不友好？
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景？
25
4
我正在尝试在 Python 中使用 imblearn 包中的 SMOTE，但我的数据有很多缺失值，并且出现以下错误:
ValueError: Input contains NaN, infinity or a value too large for dtype('float64').
我检查了参数here ，似乎没有一个处理缺失值。
有没有办法生成具有缺失值的合成样本？
最佳答案
SMOTE 不会执行填充您的缺失值或 NaN 值。您需要将它们填满，然后进行 SMOTE 分析。处理缺失值是完全不同的任务，您可以查看 Imputer从sklearn开始。这是关于 sklearn 的另一篇关于缺失值的文章:Imputing missing values
处理完 NaN 值后，将修改后的数据提供给 SMOTE。
引用资料
关于python - 具有缺失值的 SMOTE，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/51322554/
25
4
0
在imblearn , smote.fit_sample() 和 smote.fit_resample() 之间有什么区别，我们什么时候应该使用一个而不是另一个？ 最佳答案 fit_sample 替换
鉴于我有一个类不平衡问题，我正在应用 SMOTE(DMwR 包)。但是，我有三个类(class)结果而不是两个。 该函数正确地对少数类进行了过采样，但我没有遵循多数/中间类的行为(即，所有类别都包含不
我刚刚使用 DMwR 包中包含的 Smote 在数据集中完成了过采样。 我的数据集由两个类组成。原始分布是 12 vs 62。因此，我编写了此过采样代码: newData <- SMOTE(Score
我刚刚使用 DMwR 包中包含的 Smote 在数据集中完成了过采样。 我的数据集由两个类组成。原始分布是 12 vs 62。因此，我编写了此过采样代码: newData <- SMOTE(Score
我正在使用 SMOTE 函数对稀疏数据集进行过采样，其中包含大约 98% 的 0 和 2% 的 1。我使用了以下代码 from imblearn.over_sampling import SMOTE
我正在尝试在 Python 中使用 imblearn 包中的 SMOTE，但我的数据有很多缺失值，并且出现以下错误: ValueError: Input contains NaN, infinity
我有一个不平衡的数据集，其中包含一个分类因变量和连续且分类的特征变量。我知道 DMwR 包中的 SMOTE 函数只能处理连续的特征。是否有可以像 Chawla 描述的那样处理分类和连续特征的包 in
我想我在下面的代码中遗漏了一些东西。 from sklearn.model_selection import train_test_split from imblearn.over_sampling
我正在尝试使用 SMOTE 来处理二进制分类中的不平衡类数据，我所知道的是:如果我们使用，例如 sm = SMOTE(ratio = 1.0, random_state=10) Before Over
我正在做文本分类，并且我有非常不平衡的数据，例如 Category | Total Records Cate1 | 950 Cate2 | 40 Cate3 | 10 现在我想对
我正在 Weka 中研究一个二元分类问题，数据集高度不平衡(一个类别 90%，另一个类别 10%)。我首先将 SMOTE ( http://www.cs.cmu.edu/afs/cs/project/
我正在尝试使用带有 SMOTE 的 FilteredClassifier 在 WEKA 上运行 5 倍交叉验证。 据我所知，我应该在每个 CV 折叠中应用 SMOTE 以获得我的 CV 错误。 有谁有
我有一个多类数据集，我想对其使用 SMOTE，但我面临着 ValueError: "sampling_strategy" can be a float only when the type oftar
我想用 2 个类进行分类。当我在没有 SMOTE 的情况下进行分类时我得到(10 次交叉验证的平均值): Precision Recall f-1 0,6409509
我有一个包含大约 130000 条记录的数据集。记录分为两类目标变量，0和1。1只占总比例的0.09%。 我在 Windows 10 上的 R-3.5.1 中运行我的分析。我使用 SMOTE 算法来处
我正在尝试按如下方式实现逻辑回归: 但是我无法得到好的预测，因为我的类输出 1 在我的数据中代表性不足。因此，我正在尝试将 SMOTE 算法应用于我的训练集以获得更好的结果。但是我收到消息错误: Er
我正在使用 Keras 和 Bert (HuggingFace) 构建多类文本分类模型，但我的数据集非常不平衡。我使用了 Sklearn 的 SMOTE 来为欠平衡类生成额外的样本(我总共有 45 个
我想同时应用交叉验证和过采样。 我从这段代码中得到以下错误: from sklearn.pipeline import Pipeline, make_pipeline imba_pipeline =
我需要将 smote-algorithm 应用到数据集，但无法让它工作。 示例: x <- c(12,13,14,16,20,25,30,50,75,71) y <- c(0,0,1,1,1,1,1,
我有一个不平衡的数据集，当我尝试使用 SMOTEENN 来平衡他时，多数类的数量减少了一半 我尝试使用提供的所有选项更改“sampling_strategy”参数，但没有帮助 from imblear
我是一名优秀的程序员,十分优秀！