python - 当我有高度不平衡的数据时，我应该平衡测试集吗？

Question

我正在使用 Sklearn GridSearchCv 来查找随机森林在应用于 4 个类别(建筑物、植被、水和道路)的遥感数据时的最佳参数，问题是我有很多比其他类别更多的“植被”类别(我所说的“很多”是指从数千到数百万的差异)。我应该平衡我的测试数据集以获得指标吗？

在分成训练和测试之前，我已经平衡了整个数据集，这意味着两个数据集以相同的方式具有相同的类分布。恐怕这并不代表算法在真实数据上的性能，但它让我了解了每个类的性能。如果我使用不平衡的数据，“植被”类别可能最终会与其他平均值混淆。

这是我所做的平衡示例，您可以看到我直接在 X 和 y 上进行平衡。这是完整的数据和标签。

if balance:
    smt = RandomUnderSampler(sampling_strategy='auto')
    X, y = smt.fit_sample(X, y)
    print("Features array shape after balance: " + str(X.shape))

我想最好地了解模型在真实数据上的表现，但我还没有找到确凿的答案!

Answer 1

处理不平衡数据的经验法则是“永远不要平衡测试数据”。处理不平衡数据的流程:

1. 进行预处理
2. 应用训练测试拆分(分层)。
3. 平衡训练数据(通常 SMOTE 效果更好)
4. 火车模型
5. 对不平衡测试数据进行测试(显然使用 f-score 、 Precision, Recall 等指标)

以便您获得实际性能。

这里出现的问题是为什么不在训练测试分割之前平衡数据？

当您在现实世界中部署时，您不能期望现实世界的数据是平衡的......

更好的方法是在步骤 2 中使用 K 折叠，并为每个折叠执行 3,4,5 步骤

引用this文章了解更多信息。