在机器学习（二元分类）中处理我的数据的最佳技巧？

Question

我是机器学习的新手请原谅我，如果我愚蠢。 我有一个包含22个属性和30000个数据点的traindata.csv文件。

我必须训练我的模型（不是特定的算法），并预测testdata.csv文件中的20000个数据点，我必须使用我的训练模型进行预测。

在traindata.csv中，'0'和'1'类标签的比例为5：1。 如果我用这整列火车数据训练我的模型，我的模型显示了一些偏向于预测0的比例。

我以某种方式知道我的测试数据中的实际值是0和1的比例是1：1。

你能否给我建议一些方法（某种噪声消除）来预处理我的列车数据，使得在预测我的测试数据时（因为它具有相等的0和1），不会有偏向0的偏差？

Answer 1

这是一个被称为“不平衡分类”

我会建议一个平衡装袋分类经典问题。如果你喜欢python，我会推荐this。我并不在乎你的包包，而是树木开始的好地方。这个包中有很多文档和其他方法。

如果你想变得更漂亮一点，你可以在任何类型的树方法中使用Hellinger distance。标准树选择对类大小比例敏感的分割点（即偏斜）。海灵格距离不是。我不知道python中的开源实现。