权重

本质上是有人断言，对稀有类别进行错误分类的“成本”要比对普通类别进行错误分类的后果更为严重。这 SVM，ANN和Random Forest等算法。这里的限制包括算法是否可以处理权重。此外，此方法的许多应用都试图解决进行更严重错误分类的想法（例如，将患有胰腺癌的人分类为不患有癌症）。在这种情况下，您为什么要确保即使在不平衡的设置中也可以对特定的类进行分类。理想情况下，您希望像其他模型参数一样优化成本参数。

门槛

如果算法返回（或其他分数），则可以阈值化。本质上，您将分类阈值从50-50更改为适当的折衷级别。通常，这可以通过生成评估指标（例如F度量）的曲线来优化。这里的限制是您要进行绝对的权衡。截止值的任何修改都会降低预测其他类别的准确性。如果您对大多数普通类（例如，大多数高于0.85的类）具有极高的概率，则此方法更有可能获得成功。它也是独立于算法的（假设算法返回概率）。

采样

采样是应用于不平衡数据集的另一个常见选项，可以使类分布具有一些平衡。本质上有两种基本方法。

提取较小的多数实例集并保留少数。这将导致较小的数据集，其中类之间的分布更紧密；但是，您丢弃了可能有价值的数据。如果您有大量数据，这也可能是有益的。

通过复制少数实例来增加它们的数量。这将导致更大的数据集保留所有原始数据，但可能会引入偏差。但是，随着大小的增加，您也可能开始影响计算性能。

还有其他更“复杂”的方法可以帮助解决潜在的偏见。这些方法包括如SMOTE，SMOTEBoost和EasyEnsemble在此引用之前问题就不平衡数据集和csl。

建筑模型

关于使用不平衡数据构建模型的另一注记是，您应牢记模型指标。例如，诸如F度量之类的度量未考虑真实的负利率。因此，通常建议在不平衡的环境中使用Cohen的kappa度量之类的度量。

解决方法

这是我的问题的简短描述：

我正在 监督学习 任务以训练 二进制 分类器。
我有一个具有较大类 不平衡 分布的数据集：每个正数有8个负数实例。
我使用 f量度 （即特异性和敏感性之间的谐波均值）来评估分类器的性能。

我绘制了多个分类器的ROC图，并且所有分类器都具有很好的AUC，这意味着分类很好。但是，当我测试分类器并计算f测度时，我得到的值确实很低。我知道此问题是由数据集的类偏斜引起的，到目前为止，我发现了两种解决方法：

通过为数据集的实例分配权重来采用一种 成本敏感的 方法
阈值化 分类器返回的预测概率，以减少误报和误报的数量。

我去了第一个选项，并解决了我的问题（f措施是令人满意的）。但是，现在，我的问题是：哪种方法更可取？有什么区别？

PS：我在scikit-learn库中使用Python。