类平衡

在二分类问题中，可能会为两个类中的一个收集更多的数据。类之间的这种不均衡平衡导致模型对多数类的了解多于少数类。您可以使用类平衡来改进模型。

什么是类平衡

在用于二分类的数据集中，有两个类。类平衡是这些类的相对频率。

如果你掷一枚完全随机的硬币足够多次，你会得到一组完全平衡的两个类（正面和反面）。在完全平衡的情况下，平均类值为 0.5（其中一个类是 1，另一个类为 0）。

在许多情况下，类平衡将不相等。这可能会导致模型学习更多关于多数类而非少数类的知识。

比例偏差

通过猜测不平衡数据中的多数类，模型可以非常准确。例如，如果 95% 的网站访问者没有购买，那么模型可以通过表示没有人会购买来达到 95% 的准确率。模型学习的是多数类，但了解少数类往往更重要。例如，为什么网站的其他 5% 的访问者会进行购买？

类平衡的影响

通过对数据执行类平衡，您可能会得到一个更加注重特征的模型，并且了解了更多关于少数类的信息。对模型的潜在影响包括：

• F1 分数更高，因为少数群体的权重增加了。

• 总体准确度得分略低，因为它不太依赖比例偏差。

• 这是一个信息量更大的模型，因为它更多地依赖于特征以及如何区分不同的类。在类平衡模型中，SHAP 值可能更具信息性。

注意，在小数据集中，类平衡可能会导致特征数据丢失。此外，通过改变数据集中的比例，可能会丢失一些信息，这可能会使模型预测产生偏差。

如何进行类平衡

要对数据进行分类平衡，您首先需要找出特定业务案例的理想平衡。可能需要 80/20 到 50/50 的任何位置。平衡只需满足您的需要，因为过度调整类平衡可能会导致模型过度拟合。然后用手动保持来测试模型。

类平衡最常见的方法是欠采样。这是通过随机抽样多数类来实现的，以便它与少数类达到更好的平衡。该图说明了如何从原始数据集中的多数类获取样本，以获得具有平衡类的数据集。