二进制分类时数据集不平衡的问题答案

【问题标题】：Issues with imbalanced dataset in case of binary classification二进制分类时数据集不平衡的问题
【发布时间】：2020-05-21 04:39:08
【问题描述】：

我有一个二元分类问题，其中数据划分类似于：{0:85%,1:15%}。我尝试重新加权 class_weights 和其他采样方法。但是我使用的所有方法都给了我不满意的结果。我的数据集是 (91125,57)。

Accuracy:1
F1-Score:1
F2-Score:1
Precision:1
Recall:1
AUCROC:1
Kappa:1

有没有其他方法可以用来处理这种情况？

【问题讨论】：

85% / 15% 是一个相当平衡的数据集，因此您面临的任何问题都不太可能是由于类别不平衡造成的。如果您分享的这些数字是来自您的模型的指标，那么您的输入特征很可能存在目标泄漏。
您能否具体说明目标泄漏的实际含义？
当您的输入特征包含有关目标的信息时，您对模型进行评分时将不可用：kaggle.com/dansbecker/data-leakage

【解决方案1】：

确保在将数据提供给分类器之前从特征中删除目标变量：

X = df.drop('target',axis=1) y = df['target']

我还会检查一些自变量是否与目标高度相关。它可能会让您了解导致不切实际的完美分类的原因：

import seaborn as sns sns.heatmap(X_train.corr())

【讨论】：