Nathan Phelps

论文揭示基于树的模型校准问题

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。