machine-learning - 使用稀疏二元矩阵进行二元分类

Question

我的犯罪分类数据集具有指标特征，例如has_rifle 。

这项工作是训练和预测数据点是否是犯罪分子。该指标是加权平均绝对误差，如果这个人有犯罪行为，并且模型预测他/她没有犯罪，那么权重就大为 5 。如果一个人没有犯罪，并且模型预测他/她是犯罪，那么权重为 1 。否则模型会正确预测，权重为 0 。

我用过classif:multinom mlr中的方法在R ，并将阈值调整为 1/6 。结果不太好。 Adaboost稍微好一点。尽管两者都不完美。

我想知道在这种稀疏 {0,1} 的二元分类问题中通常使用哪种方法矩阵？以及如何提高加权平均绝对误差指标衡量的性能？

Answer 1

处理稀疏数据并不是一项简单的任务。缺乏信息使得难以捕获方差等特征。我建议您搜索子空间聚类方法或更具体地说，软子空间聚类。最后一个通常标识相关/不相关的数据维度。当您想要提高分类准确性时，这是一个很好的方法。