颜色分类leetcode阶级不平衡问题介绍。我们已经讨论了作为评估分类器性能的精度、召回率、ROC曲线和AUC。有了这些，我们已经看到衡量分类算法的性能与回归的性能有很大不同。例如，我们简要讨论了一个场景，其中1000个案例中只有2个被标记为“阳性”。在这种极度不平衡的情况下，即使是一个简单地总是预测“负面”标签的朴素分类器，其准确率也会达到99.8%。此外，此类场景在医疗条件或信用卡欺诈等领域较为常见。因此，关于类不平衡问题和调整分类算法以更好地适应这些场景的方法，已经有很多工作和研究。目标：你将能够使用改进的采样技术解决类不平衡问题，了解阶级不平衡问题的复杂性。班级权重：处理类不平衡问题的一种初始选择是对两个类进行加权。默认情况下，scikit-learn中逻辑回归的类权重为none，这意味着两个类在调整模型时将具有同等重要性。或者，您可以传递'balanced'以分配与该类的频率成反比的权重。最后一个选项是使用{class_label: weight}形式的字典将权重显式传递给每个类。