1回答
我有一个这样的模型管道： from sklearn.preprocessing import StandardScaler, OneHotEncoder
浏览 15提问于2019-02-04得票数 0
回答已采纳
我理解为什么我可以同时使用max_samples和bootstrap。例如，我可能有'n‘个样本，是否使用bootstrap将改变单个估计器和整个集成的预测。但在功能方面，它应该有一定的意义吗？
浏览 0提问于2019-02-05得票数 0
1回答
我有191个样本的数据，并建立了一个logistic回归。我首先使用原始数据运行模型，然后进行重采样。我不明白的是：-
为什么要在下采样前或上下采样前进行过采样。如果过采样会产生过拟合的问题，那么就可以通过数据的缩放来处理。在上采样或任何其他抽样之后，必须检查哪些参数才能继续进行另一次采样，例如向下采样
浏览 2提问于2020-05-10得票数 2
1回答
对于使用MongoDB和关系数据库管理系统的经验丰富的人，我有一个基本的修辞/理论问题。令人惊讶的是，没有数据咀嚼或数据工程论坛。在Mongo中创建聚合管道时，我们使用$unwind来爆炸嵌套数组值，因此每个数组都有自己的文档，这样我们就可以分组或进行其他聚合。
对我来说，这闻起来就像把数据变成第一种正常形式一样。在这个阶段，文档看起来就像1NF中的记录。看来这就是目标。我已经搜索过，也没
浏览 0提问于2018-10-09得票数 1
回答已采纳
2回答
重新采样查询
、、
使用不平衡的数据集，我试图随机对多数类进行下采样。一切都很顺利，但当我意识到我的模型(replace=真)的性能确实有了显着提高时。 这里性能提高背后的原因是什么？是否用复制的样本替换样本？这里有没有过度拟合的地方？ 不知何故，我对此还是个新手，因此，如果有任何澄清，我将不胜感激。 这是代码中执行所有重要更改的部分。
浏览 28提问于2019-12-14得票数 1
1回答
我正在使用"“数据集，比较线性回归、岭和套索的系数。
我首先进行训练/测试拆分，然后标准化数据，然后训练三个模型并比较系数。对于大多数训练/测试拆分随机种子，三个模型的系数在相同的尺度上，我可以比较它们。但是对于一些随机的种子，一些线性回归的系数“爆炸”，从大约10^4-10^5的值跳到大约10^18。这只发生在线性回归模型<
浏览 0提问于2020-09-23得票数 1
1回答
如何将数据采样和分类器管道连接起来？
我想执行所有的分类器的所有抽样技术，并选择最好的表现。我正在执行随机网格搜索，以选择最佳的超级参数。仅对每个未调优分类器(Logistic回归l1、Logistic回归l2、随机林)执行6种采样技术，然后只对每种抽样技术性能最好的一种分类器进行调优，是否合理？在我以前的实现中，我发现adasyn在logistic回归中表现最好，所以这是我目前的赢家。我用每一种抽样技术实现了随机森
浏览 0提问于2018-11-05得票数 1
1回答
下面是python中的代码，用于创建LinearRegression模型。当我用重新采样的数据训练模型时，它的系数得到不同的值。我不明白为什么会这样。请你帮我一下好吗？更新在提供的用例中，行数与我检查的
浏览 0提问于2018-07-18得票数 1
回答已采纳
1回答
我正在一个PySpark二进制分类管道上工作，我想在其中使用过采样阶段执行CrossValidation (我的数据集不平衡)。问题是过采样阶段也是在测试数据集上执行的。管道：smote是我希望在转换测试数据集时跳过的阶段。我查看了spark文档和源代码，没有办法跳过PipelineModel中</em
浏览 1提问于2019-11-16得票数 1
3回答
在数据集上应用随机过采样的时间
、、、、
我翻阅了笔记本的乳腺癌- EDA，平衡和ML。在这个笔记本中，Random Oversampling已经实现。然而，当该人进行过度抽样时，他会在整个数据集上进行。我知道过采样只能应用于训练数据集。在我的例子中，在将数据分割成训练和测试集之后，我对训练数据进行了过度采样。精确性，以及我所得到的回忆都不如Kaggle笔记本好。avg 0.80 0.79 0.78 2045
weighted avg 0.
浏览 0提问于2022-09-05得票数 4
我正在使用R中的mlogit包来估计一个带有对数正态参数的混合logit模型。包运行得很好，但是有没有一种方法来提取随机系数，特别是对于非正态分布的参数？使用来自"Kenneth Train的练习使用R的mlogit包“的示例，第22页，data("Electricity", package = "mlogit")
Electr10.68065958
浏览 2提问于2012-01-09得票数 0
回答已采纳
1回答
用多数类预测少数民族阶级
、、、
假设我想训练一个二元模型来预测谁会购买个人贷款的概率，而在数据集中，只有5%的例子是那些标记为购买个人贷款的人。因此，在这种情况下，也许我可以利用下采样或过采样来平衡数据集，但如果数据集不够大，可能会留下很少的示例，或者可能不适合过采样。然后假设我决定使用整个数据集，我将其划分到培训和测试集，以预测谁不会购买个人贷款的概率。考虑到这是一个二元模型，从1中减去这个<
浏览 0提问于2020-01-09得票数 2
回答已采纳
how-to-do-cross-validation-when-upsampling-data.htmlX_train, X_test, y_train, y_test = train_test_split(X, y, random_state=45)grid_imba.fit(X_train, y_tra
浏览 0提问于2022-01-01得票数 0
1回答
在其他一些技术，如随机森林，我们可以调整切断从50%，说90%，这样，如果边缘节点有90%的例子高密度类，那么只有它会预测的类别。出于偏倚和权数，哪一个类似于切断可能性？我总是可以运行3种模型--1种有偏见，1种有类重，1种都有--并比较结果。但是还有更好的参考吗？
浏览 0提问于2020-01-24得票数 3
回答已采纳
抱歉，这可能是一个基本的问题，但我一直未能找到一个明确的答案，无论是在文学或互联网上。在处理不平衡数据集时，一种可能的策略是对少数类或多数类进行重采样，人为地生成一个可用于训练机器学习模型的平衡训练集。有人能澄清一下这种直觉是否正确吗？
浏览 0提问于2019-08-20得票数 4
回答已采纳
1回答
对于多类分类，我有不平衡的数据集，我尝试在XGboost中使用类权重选项，而分类器仍然倾向于支持大多数类。我不确定我是否需要调整其他的东西，或者我应该如何处理这个问题。如果阿尔戈预测的地方到处都是，我仍然能理解，但不确定为什么它仍然偏向于多数阶级。有什么指示吗？
更新:我的意思是大部分的预测仍然是针对主修班的，在测试和训练中，这个比例大约是30%。
浏览 0提问于2019-03-11得票数 2
2回答
我有数千个数据源，从类似类型的硬件中生成数据。然而，不同的来源在数据集中产生了不同的动态！不同数据源上的类数不同，因此需要建立不同的模型。这意味着，在最后，我有许多不同的模型要评估。类似的输入，但在输出时要预测的类数是不同的</e
浏览 0提问于2019-12-09得票数 3
我试着比较了在数据集上运行GridSearchCV的效果，该数据集在选择训练褶皱后被过采样和过采样。我使用的过度抽样方法是随机过抽样。
请理解第一种方法是错误的，因为观察到模型已经流进了测试集。/测试拆分，并在随机森林模型上使用这两种方法执行GridSearchCV。，后采样网格CV AUC是非常高的，因为过度拟合.然而，在测试集上对两种模型进行评估，在
浏览 0提问于2018-06-27得票数 3
MALLET的提到了以下内容：采样迭代的数量应该在完成采样所用的时间和主题模型的质量之间进行权衡。testing only, model.setNumIterations(50);
很明显，太少的迭代会导致糟糕的主
浏览 37提问于2021-06-01得票数 1
回答已采纳
我目前正在处理一个不平衡的数据集，为了处理不平衡问题，我计划将datatset和ADASYN与RandomUnderSampler结合起来，并且还计划将独立的欠采样、过采样、SMOTE & ADASYN(总共6种采样方式，我将作为GridSearchCV中的paramenter传递)。random_state=rnd_state, n_jobs=-1)),
('under', RandomUnderSampler(
浏览 1提问于2021-01-10得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
