machine-learning - 分类器的数据集必须完美平衡吗？

在机器学习中，通常认为二进制分类器的数据集必须是平衡的：EG。1 级 50%，0 级 50%。我的问题是：数据集是否完美平衡（50/50）？我有一个包含 1568 个观察值的数据集：第 1 类是 47%，第 0 类是 53%。这会产生问题吗？

标签： machine-learningclassification

理想情况下，每个类都有 50% 的类，在训练模型时会得到很好的结果，因为模型正在寻求优化准确性。

例如，假设你有 99% 的类 0 和 1% 的类 1。在训练时，你会得到一个总是分类为 0 的模型，这样做，模型将获得 99% 的一般准确率，但这就是你想要的吗？平衡这些数据将帮助您避免这种类型的“愚蠢”模型。这是一个极端情况，但这就是使用平衡类的原因。

平衡时注意与少数类的过度拟合，因此模型将学习对同一个样本进行多次分类。

最后，如果您使用像您说的（47%、53%）这样的平衡数据，则不需要平衡。也许你可以开始平衡大约 35% / 65% 或类似的东西。显然，具有平衡的数据的行为取决于数据集。