机器学习笔记 - 在逻辑回归中使用分类权重处理不平衡数据

        逻辑回归是用于分类任务的监督 机器学习技术之一。大多数情况下，分类数据集会出现类别不平衡，某个类别的样本较多，而某些类别的样本数量非常少。使用不平衡的数据集进行模型构建会导致错误的预测，并且对具有更多样本的类更有利。了解类权重在逻辑回归中的重要性，以及为什么需要平衡类权重才能产生可​​靠的模型。

1、分类权重

        类权重是用于分类任务的术语，其中数据集的每个类别将根据每个类别的出现频率提供一定的权重。因此类权重将负责为梯度更新的所有类别赋予相等的权重。使用不平衡的类别权重将导致偏向数据中出现最多的类别。为了获得更可靠和无偏的分类模型，重要的是要有均匀的类权重分布。类权重的均匀分布也将产生各种参数，如精度、召回率和 F1 分数，因为类权重将被平衡。

        与不平衡类权重相关的主要问题是准确性。对于不平衡类权重，产生的准确度通常会很高，因为它会偏向于出现最多的类，因为它会考虑更高的类权重。

        假设正在使用医疗保健数据或业务驱动的数据，并且类别权重不平衡。因此，如果不解决数据中的类别不平衡问题，则会导致模型的误解。此外，某些参数ÿ