数据不均衡处理四：集成学习

集成学习是一种机器学习方法，通过结合多个基本分类器的预测结果来改善整体的预测性能。在面对数据不均衡问题时，集成学习可以帮助提高模型对少数类样本的识别能力，从而提高整体的分类性能。对于不均衡的数据处理，其常见的有两种模式：欠采样+集成学习和过采样+集成学习

目录

一、欠采样+集成学习

二、过采样+集成学习

---

一、欠采样+集成学习

先对数据进行欠采样处理，之后使用集成学习的方法进行模型的构建，关于欠采样常用方法的介绍可以参考这篇文章：欠采样部分

# 不均衡数据生成

import numpy as np  
from sklearn.datasets import make_classification  
from sklearn.model_selection import train_test_split  
  
# 生成一个分类问题的数据集  
X, y = make_classification(n_samples=1000, n_features=20, n_informative=2, n_redundant=10,  
                             random_sta