Ich habe einen Datensatz, in dem die Klassen unausgewogen sind. Die Klassen sind entweder 0, 1 oder 2.Sklearn: Wie Klassifizierung mit DecisionTreeClassifier balancieren?
Wie kann ich die prediction error für jede Klasse berechnen und dann weights entsprechend in Sklearn entsperren.
Wenn Sie wollen voll Balance (jede Klasse als ebenso wichtig behandeln) Sie einfach class_weight='balanced' passieren können, wie es in dem angegebenen docs:
Der „balanced“ Modus, um die Werte von y verwendet, um automatisch Gewichte umgekehrt proportional zur Klasse Frequenzen in den Eingangsdaten einzustellen als
n_samples/(n_classes * np.bincount(y))
Wenn die Frequenz der Klasse A 10% beträgt und die Frequenz der Klasse B 90% beträgt, dann wird die Klasse B die dominant geworden Klasse und der Entscheidungsbaum wird zu den Klassen voreingenommen werden, die
In diesem Fall dominant sind, können Sie ein dic {A:9,B:1} zum Modell passieren das Gewicht jeder Klasse zu spezifizieren, wie
clf = tree.DecisionTreeClassifier(class_weight={A:9,B:1})
Die class_weight='balanced' wird auch funktionieren, es einfach automatisch Gewichte
Nachdem ich class_weight='balanced' verwenden, die Satznummer jeder Klasse ist gleich geworden (um 88923)
Ich bin verwirrt über die Werteliste aus dem class_weight wird "ausgeglichen". Bedeutet dies, dass der Klassifikator jede Klasse gleichmäßig wiegt? Und wenn ja, wie wird das durch den Entscheidungsbaum verbreitet? Wie ändert sich die Werteliste für jeden Knoten in der Struktur? Ich frage, weil ich auf meiner eigenen Ausgabe verwirrt bin, die ich sehe, wenn ich meinen Klassifikator laufen lasse. – OfLettersAndNumbers
Bitte beachten Sie, dass es sich um einen Parameter des Klassifikators (des Konstruktors) handelt, nicht von 'fit'. –