摘要：
准确率高达 96.2% 的模型跑在真实数据上却可能完全无法使用。一个可能的原因是：你所使用的训练数据是不平衡数据集。本文介绍了解决不平衡类分类问题的多种方法。选自TowardsDataScience，作者：Baptiste Rocca，参与：贾伟、路。 假设老板让你创建一个模型——基于可用的各种测量 阅读全文
摘要：
通常情况下，在不均衡学习应用中使用抽样方法的目的就是为了通过一些机制改善不均衡数据集，以期获得一个均衡的数据分布。 研究表明，对于一些基分类器来说，与不均衡的数据集相比一个均衡的数据集可以提高全局的分类性能。数据层面的处理方法是处理不均衡数据分类问题的重要途径之一，它的实现方法主要分为对多数类样本的 阅读全文
摘要：
摘要这一篇介绍一下关于样本不平衡的处理的方式，主要介绍两种采样方式，分别是上采样和下采样。这里主要介绍最简单的上采样和下采样，更多的内容见文章中的链接。 文章目录(Table of Contents) 简介 为什么要做样本平衡 解决办法 Under-sampling Over-sampling 简单 阅读全文