基于一个二进制特征的多特征建模，当存在成本时，这很少是1(不平衡的数据)。

Question

我需要建模一个多元时间序列数据，以预测一个二进制目标，这很少是1(不平衡的数据)。这意味着我们想要基于一个特性建模是二进制(暴发)，很少1？所有的特性都是二进制的，很少有1。建议的解决方案是什么？

基于以下的成本函数，这一特性对成本函数有影响。如果费用与以下相同，我们想知道是否已准备好。

问题定义:基于爆发的模型，很少有1。

准备好或没有准备好避免疾病的爆发，而爆发的费用是准备费用的20倍。

每天的费用(第二天)：cost=20*outbreak*!prepared+prepared

模型:为哪一天的疫情做好准备？

问题：

• 建立一个预测疫情的模型？
• 报告每年的成本估算。

csv文件上传和数据是一天结束的时候，csv文件包含行，每一行都有不同的特性，其中一些是二进制的，最后一个特性是爆发的，很少有1，并且在成本上考虑了一个主要的特性。

Answer 1

你描述的是阶级不平衡。

典型的方法是通过反复运行包含(罕见的)正向类的示例来生成均衡的训练数据，每次从负面类中选择一个新的随机样本。

同时，要注意你的成本功能。你不会想奖励一个简单的模型，因为你总是选择大多数的类。

Answer 2

我的建议：

监督逼近

• 用于上采样的SMOTE
• 通过调优Xgboost scale_pos_weight
• 复制少数族裔阶级例如:10次
• 尝试使用集成树算法，试图生成一个线性曲面对您的情况是危险的。
• 因为您的数据是时间序列，所以您可以在真正的疾病发生之前用少数类生成天数。例如，你在2010-07-20年间有少数族裔班级。在此之前的最后一次观察是2010-06-27年。你可以通过略有变化的差异产生观测，如2010-07-15,2010-07-18等等。

无监督逼近

• 尝试异常检测算法。例如IsolationForest (也尝试扩展它的版本)。
• 集群您的观察，检查少数类是否成为一个集群本身。如果成功，您可以使用集群名称(cluster1、cluster2、cluster3等)标记数据，然后训练决策树以查看拆分模式。(Kmeans + DecisionTreeClassifier)

模型评价

建立成本矩阵。不要直接使用混淆矩阵、精度等。您可以在这里找到关于成本矩阵的更多信息：矩阵

注意：

根据OP在评论中提出的问题，每年都可以这样做：

df["date"] = pd.to_datetime(df["date"])
df.groupby(df["date"].dt.year).mean()

您也可以使用其他聚合器(平均值、和、计数等)。