数据集不平衡导致使用SMOTE后出现高假阳性

Question

我正在开发一个二元分类不平衡的营销数据集，该数据集有：

1. 是的比率为88:12 (不-不是买的，是买的)
2. ~4300次观测和30个特征(9个数字和21个分类)

我将我的数据分为列车(80%)和测试(20%)集合，然后在列车上使用standard_scalar & SMOTE。SMOTE将训练数据集与1:1的比例设为“No:Yes”。然后，我运行了一个逻辑回归分类器，如下面代码所示，在测试数据上获得了80%的召回分数，而在测试数据上只有21%。

随着SMOTE召回的增加是很大的，但是假阳性率很高(请参考图像中的混淆矩阵)，这是一个问题，因为我们最终会针对许多虚假(不太可能购买)客户。有没有办法在不牺牲召回/真阳性的情况下降低假阳性？

​

​

#Without SMOTE
clf_logistic_nosmote = LogisticRegression(random_state=0, solver='lbfgs').fit(X_train,y_train)

#With SMOTE  (resampled train datasets) 
clf_logistic = LogisticRegression(random_state=0, solver='lbfgs').fit(X_train_sc_resampled, y_train_resampled)

Answer 1

甚至我也有过类似的问题，那里的假阳性率很高。在这种情况下，我在做了功能工程之后申请了SMOTE。

然后，在进行特征工程之前，我使用了SMOTE，并使用SMOTE生成的数据来提取特征。这样效果很好。虽然，这将是一个较慢的方法，但它对我来说是可行的。告诉我这对你有什么好处。