machine-learning - 随机蕨类植物的不平衡数据

Question

关闭。此题需要 details or clarity 。目前不接受答案。

---

想要改进这个问题吗？通过 editing this post 添加详细信息并澄清问题.

已关闭 9 年前。

Improve this question

对于多类问题，随机森林和随机蕨等机器学习算法的数据是否应该平衡，或者一定程度的不平衡是否可以？

Answer 1

当不成比例改变类实例的可分离性时，就会出现不平衡类的问题。但这在不平衡的数据集中不会发生:有时，您从一个类中获得的数据越多，您就可以更好地区分稀疏数据，因为它可以让您更轻松地找到哪些特征对于创建区分平面有意义(即使您是不使用判别分析，重点是根据类别对实例进行分类)。

例如，我记得 KDDCup2004蛋白质分类任务，其中一类拥有训练集中 99.1% 的实例，但如果您尝试使用欠采样方法来缓解不平衡，您只会得到更糟糕的结果。这意味着第一类中的大量数据定义了较小类中的数据。

关于随机森林和一般的决策树，它们的工作原理是在每一步选择最有希望的特征，该特征可以将集合划分为两个(或更多)具有类意义的子集。默认情况下(=总是)，拥有关于一个类别的更多数据不会使这种划分产生偏差，但只有当不平衡不能代表类别的真实分布时才会出现这种情况。

因此，我建议您首先运行多变量分析，尝试了解数据集中各类之间的不平衡程度，如果您仍然有疑问，则使用不同的欠采样率运行一系列实验。