灵敏度太低[关闭]答案

【问题标题】：Too low sensitivity [closed]灵敏度太低[关闭]
【发布时间】：2021-02-20 00:51:38
【问题描述】：

我正在处理逻辑回归分析。而数据中目标值为0的患者数量为2000，而目标值为1的患者数量为188。虽然总准确度为92，但敏感性极低。这可能是因为班级不平衡吗？结果是这样的：

得分：

test score: 0.90
train score: 0.92

混淆矩阵：

TRUE POSITIVE:  498
FALSE POSITIVE:  47
TRUE NEGATIVE:  2
FALSE NEGATIVE:  3

一些指标：

Overall Accuracy: 0.90
Sensitivity:  0.99
Specificity: 0.040

False Positive Rate:  0.959
False Discovery Rate:  0.086
Positive Predictive Value:  0.91
Negative Predictive Value:  0.4

F1 score:  0.952
Roc Auc: 0.822

【问题讨论】：

我投票结束这个问题，因为它不是关于 help center 中定义的编程，而是关于 ML 理论和方法。

标签： python machine-learning scikit-learn logistic-regression confusion-matrix

【解决方案1】：

当然是因为你的班级不平衡。

由于不平衡，您的模型更喜欢几乎对每个实例都预测为正，因为模型更容易做到这一点。

处理这个问题有很多策略，例如：

如果您使用交叉验证来评估您的模型，请进行分层折叠
你可以尝试对你的多数类进行抽样
您可以尝试对少数类进行上采样（有很多生成方法可以从少数类生成新数据：if you use python）
更改您的模型参数。使用 LogistRegression，您通常可以为您的班级赋予权重，从而以极大的错误惩罚少数班级。实现取决于您使用的语言

在scikit-learn 你会做这样的事情：

LogisticRegression(class_weight={0:1, 1:10})

在上面的例子中，我给“1”类的错误比“0”类的错误大 10 倍。

注意：此权重是模型的超参数，因此应进行验证。

无论如何，如果您想要更广泛的答案，请查看我的答案here

【讨论】：

比你好多了。 "model=LogisticRegression(C=0.1,class_weight={0:1,1:10},max_iter=10000)" 解决了我的问题。
@Muratışıkalan 不客气。不要忘记接受最佳答案:)