Nathan Phelps 在 arXiv 上发表的一篇新论文详细介绍了用于不平衡分类任务的基于树的模型校准中的挑战。研究强调，通常用于调整多数类欠采样的分析校准方法可能会对预测准确性产生负面影响。Phelps 证明，这些方法可能导致依赖于随机森林分割中使用的预测变量数量和采样率本身等因素的流行度估计。该论文建议，像 beta 校准这样的替代校准方法，可以直接从模型中学习失校准模式，更适合在欠采样数据上训练的基于树的模型。 AI
影响 强调了不平衡数据集常见机器学习实践中潜在的不准确性，并提出了替代校准方法。
排序理由 这是一篇发表在 arXiv 上的研究论文，详细介绍了机器学习模型校准中的具体技术挑战。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →