解决班级不平衡问题的最佳方法是什么？

Question

我有一个数据集我需要在那里发现欺诈。99%不是欺诈，1%是欺诈。

在类不平衡的情况下，可以使用什么方法来解决问题？

Answer 1

有两种技术：

1. 过度取样:在这种情况下有许多技术，玫瑰和击打是最著名的过度取样技术。在玫瑰，它只是增加了少数群体的阶级。在SMOTE中，它综合产生了更多稀有的少数群体阶级，以求平衡。大多数场景比ROSE提供更好的效果，但是您应该两者都尝试。除此之外，只有另一种技术，就是复制记录，使其等于n个数字。这个链接是用来在Python中实现SMOTE的。
2. UnderSampling:在这方面也有很多技术，但是这个链接-1，链接-2给了你更好的关于欠采样的想法。一般来说，我不喜欢少取样，因为你会失去一些信息。

你需要使用这些技术的原因是，如果我们不使用，那么模型的准确性就会很高--它将能够以99%的准确率正确地预测那些不是欺诈的案件，而我们不想这样做。如果它能同样准确地预测出欺诈行为，那么这是一个伟大的洞察力。这只能通过使用上述任何一种技术来实现。

请看一看，如果你还有其他问题，请告诉我。

Answer 2

您可以按照这两种方法进行操作。

1. 正如其他人已经提到的，您可以在培训数据集中将发行版更改为50-50。
2. 您可以使用加权随机林算法在两个类之间创建一个平衡。在该算法中，随机森林本身增加了两个类的权重，以达到50-50 %的权重。

Answer 3

您可以在所有类型的算法中使用一些相关参数，如成本函数，如Kappa、CEN和MCEN。

免责声明：

如果您正在使用Python，则可以使用PyCM模块。该模块在接收到数据的混淆矩阵后，可以根据数据集的特点，提出适合于评估算法的参数。

下面是从这个模块获取推荐参数的简单代码：

>>> from pycm import *

>>> cm = ConfusionMatrix(matrix={"Class1": {"Class1": 1, "Class2":2}, "Class2": {"Class1": 0, "Class2": 5}})  

>>> print(cm.recommended_list)
["Kappa", "SOA1(Landis & Koch)", "SOA2(Fleiss)", "SOA3(Altman)", "SOA4(Cicchetti)", "CEN", "MCEN", "MCC", "J", "Overall J", "Overall MCC", "Overall CEN", "Overall MCEN", "AUC", "AUCI", "G", "DP", "DPI", "GI"]