2、不平衡分类预测建模与直观理解

不平衡分类预测建模与直观理解

1. 分类预测建模基础

分类预测建模是为给定的观测值预测一个类别标签。每个例子由观测值和类别标签组成，例如收集花朵的测量数据并据此对花朵的物种进行分类。分类预测建模问题通常有固定数量的类别，在问题被定义或描述时就已确定，且一般不会改变。

分类预测建模问题可分为以下两类：
- 二元分类问题：所有例子属于两个类别之一。
- 多类分类问题：所有例子属于三个或更多类别之一。

在进行分类预测建模时，需要收集训练数据集，它包含来自问题领域的多个例子，包括输入观测值和输出类别标签。训练数据集用于理解输入数据、评估不同的建模算法、调整所选模型的超参数，最终训练一个可用于对新例子进行预测的最终模型。

2. 不平衡分类问题定义

不平衡分类指的是训练数据集中每个类别标签的例子数量不均衡的分类预测建模问题，即类别分布不相等或接近相等，而是存在偏差或倾斜。例如，收集花朵测量数据时，一个花朵物种有80个例子，另一个物种只有20个例子，这就是一个不平衡分类问题的例子。

不平衡分类问题也有其他不太通用的名称，如罕见事件预测、极端事件预测、严重类别不平衡等。通常用比例或百分比来描述数据集中类别的不平衡情况，例如1:100的不平衡比例意味着一个类别中的每一个例子对应另一个类别中的100个例子；一个不平衡的多类分类问题可能第一个类别有80%的例子，第二个类别有18%，第三个类别有2%。

3. 类别不平衡的原因

类别分布不平衡可能有多种原因，主要可分为以下两组：
- 数据采样 ：
- 有偏