机器学习入门与实战（微课版） 课件 5模型训练-不平衡样本.pptx

5模型训练-不平衡样本Wang Zhi 训练集样本平衡性检查及处理处理不平衡样本的方法：合成少数类过采样技术（SMOTE）：训练并寻找最优模型 01训练集样本平衡性检查及处理 训练集样本平衡性检查及处理样本不平衡问题出现在有监督机器学习中。不平衡影响分类性能，多数类样本得到更多关注。 02处理不平衡样本的方法： 处理不平衡样本的方法：随机欠采样：减少多数类样本，平衡类别。随机过采样：增加少数类样本，增加代表性。欠采样可能丢失信息，过采样可能过拟合。 03合成少数类过采样技术（SMOTE）： 合成少数类过采样技术（SMOTE）：通过插值合成少数类样本，加入数据集。“代价敏感学习”：修改损失函数，增加少数类惩罚。 04训练并寻找最优模型 训练并寻找最优模型训练模型涉及算法选择、训练和超参数调优。算法选择：根据模型目标和业务目标决定，如逻辑回归、决策树、深度学习等。超参数调优：尝试不同组合，比较模型表现，选择最优模型和参数。参数优化：通过求解目标函数最大或最小值，得到最佳模型参数。 THE ENDTHANKS 版权声明：此模板的版权，归MindShow.fun所有。个人商用需要高级会员，普通用户只限个人学习使用。如需企业商用授权，请联系MindShow.fun购买企业版。PPT中所用字体下载：Noto Sans SC, Noto Sans KR/s/Q1VAkGau9PE