机器学习

白天 夜间 首页 下载 阅读记录
  我的书签   添加书签   移除书签

不平衡数据处理

浏览 110 扫码 分享 2023-11-22 00:43:53
  • 什么是不平衡数据
  • 解决办法
    • 过采样
    • Smote(Synthetic minority overlapping technique)

    什么是不平衡数据

    样本比例失衡
    举例
    二分类正例样本99,负例样本1

    解决办法

    过采样

    每次采样过后放回,上采样是将少量的数据通过重复复制使得各类别比例均衡

    Smote(Synthetic minority overlapping technique)

    增强类别较少的样本,生成相像样本
    image.png

    若有收获,就点个赞吧

    0 人点赞

    上一篇:
    下一篇:
    • 书签
    • 添加书签 移除书签
    • 综述
    • 绪论
      • 1.6应用现状
      • 1.5 发展历程
      • 1.4 归纳偏好
      • 1.3假设空间
      • 1.2 基本术语
      • 1.1引言
    • 如何处理数据
      • 数据增广
      • Batchnormalition
      • 样本平均
      • 不平衡数据处理
    • 神经网络
      • 优化算法
        • 解决梯度问题
        • 模型初始化
        • 激活函数
        • 反向传播
        • 随机梯度下降
      • 注意力机制
        • 注意力分数
        • 注意力提示
      • 前馈神经网络
        • softmax 回归
      • 循环神经网络
        • 现代循环神经网络
          • 双向循环网络
          • 深度循环网络
          • 长短期神经网络(LSTM)
          • 门控循环单元(GRU)
        • 循环神经网络
          • 示例:计算掩码加法
        • 语言模型
        • 序列模型
      • 自然语言处理
        • Spacy
        • 序列表达
      • 卷积神经网络
        • 残差神经网络
        • Locality
        • Translation invariance
        • 神经网络图形分类
        • 经典神经网络
        • 多输入和输出通道
        • 填充和步幅
        • 卷积层与池化层
      • Pytorch的使用
        • 如何自定义层?
        • 参数管理
        • 定义训练函数和测试函数
        • 定义优化器和目标函数
        • 数据加载器
        • 如何自定义网络
        • torch 的下标索引
          • numpy 二维下标索引
        • pytorch 的广播机制
    • 模型与参数估计
      • 过拟合与欠拟合
      • Bagging
      • K折交叉验证法
      • 评价方法
      • 线性空间
      • 线性模型
    • 有监督学习
      • 判别模型
        • K近邻(KNN)
        • 决策树
          • C4.5算法
          • ID3算法
          • 实现代码
        • 支持向量机
        • 对数几率回归(逻辑回归)
        • 线性回归
      • 生成模型
        • 朴素贝叶斯
      • 生成模型和判别模型
      • Sklearn中调用不同的模型
      • 稀疏表达分类
    • 无监督学习
      • K-means
    暂无相关搜索结果!

      让时间为你证明

      展开/收起文章目录

      分享,让知识传承更久远

      文章二维码

      手机扫一扫,轻松掌上读

      文档下载

      请下载您需要的格式的文档,随时随地,享受汲取知识的乐趣!
      PDF文档 EPUB文档 MOBI文档

      书签列表

        阅读记录

        阅读进度: 0.00% ( 0/0 ) 重置阅读进度

          思维导图备注