machine-learning - 训练/测试拆分之前或之后的欠采样

Question

我有一个信用卡数据集，其中 98% 的交易是非欺诈交易，2% 是欺诈交易。

我一直在尝试在训练和测试拆分之前对多数类别进行欠采样，并在测试集上获得非常好的召回率和精度。

当我仅在训练集上进行欠采样并在独立集上进行测试时，我的精度非常差，但召回率相同!

我的问题是:

我是否应该在分成训练和测试之前进行欠采样，这会扰乱数据集的分布并且不能代表现实世界吗？

还是上述逻辑只适用于过采样？

谢谢

Answer 1

如果您有机会收集更多数据，那可能是最好的解决方案。 (假设您已经尝试过此步骤)

如果精度很差而召回率很好，这表明您的模型擅长将欺诈类预测为欺诈，但该模型对非欺诈类的预测很困惑，大多数时候它会将非欺诈类预测为欺诈(如果你为多数类设置0，为少数类设置1)。 这意味着您必须尝试降低多数类的欠采样率。

通常欠采样/过采样只会在训练 split 时进行，这是正确的方法。 然而，

1. 在欠采样之前，请确保您的训练拆分具有与主数据集相同的类分布。 (拆分时使用分层)

2. 如果您使用 python sklearn 库来训练您的分类器，请设置参数 class_weight='balanced'。

例如:

   from sklearn.linear_model import LogisticRegression
   Lr = LogisticRegression(class_weight='balanced')

1. 尝试使用具有不同超参数的不同算法，如果模型欠拟合，则考虑选择 XGboost。

如果您在拆分之前进行欠采样，则测试拆分分布可能不会复制真实世界数据的分布。因此，人们通常会避免在 split 前进行采样。