PulseAugur
中
实时 02:08:50
English(EN) Imbalanced Classification With Gradient Boosting: Weighting or Resampling

梯度提升处理不平衡数据：加权、重采样和校准

作者 PulseAugur 编辑部 · [1 个来源] ·

本文讨论了处理不平衡分类问题的策略，特别是在XGBoost等梯度提升模型背景下。文章指出，一个常见的问题并非模型无法学习少数类，而是分类时使用的默认阈值0.5不当，这可能导致所有正例都被遗漏。作者建议，虽然类加权（例如在XGBoost中使用`scale_pos_weight`）和SMOTE等重采样技术可以帮助模型学习少数类，但它们也可能对概率校准产生负面影响。文章强调，业务背景，特别是假阴性与假阳性的成本比，应驱动决策，并且如果下游使用概率输出，则可能需要重新校准。 AI

影响 为提高不平衡数据集的模型性能提供了实用指导，这对于欺诈检测等应用至关重要。

排序理由 该条目讨论了一种特定的机器学习技术及其在常见数据科学问题中的应用。[lever_c_demoted from research: ic=1 ai=1.0]

在 dev.to — LLM tag 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

梯度提升处理不平衡数据：加权、重采样和校准

报道来源 [1]

  1. dev.to — LLM tag TIER_1 English(EN) · Multigrid ·

    梯度提升中的不平衡分类：加权或重采样

    <p>A model that predicts “no fraud” on every row is 99% accurate on a 1%-fraud dataset. The standard responses are to weight the classes or to resample them, and there is a published finding that for a well-tuned gradient-boosted model, often neither is what you needed.</p> <h2> …

相关实体

相关话题