Pemberat Kelas dan Ambang
Melaraskan model kepada kelas minoriti
Pemberat Kelas dan Ambang ialah pelajaran Data Science Academy percuma di CoddyKit. Ini ialah pelajaran 3 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Data Science Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Data Science Academy merangkumi sejumlah 4 pelajaran.
Betulkannya Tanpa Pensampelan Semula
Anda boleh menangani ketidakseimbangan tanpa menyentuh data langsung. Dua tuil pada model membantu: pemberat kelas dan ambang keputusan.
Fungsi Pemberat Kelas
Pemberat kelas memberitahu model bahawa kesilapan pada kelas jarang lebih merugikan. Model mengenakan penalti lebih besar kerana terlepas baris minoriti.
Tetapan Lalai yang Mudah
Banyak model scikit-learn menerima class_weight yang ditetapkan kepada balanced. Ia memberikan pemberat kepada setiap kelas secara songsang mengikut kekerapan kemunculannya.
model = LogisticRegression(class_weight='balanced')
model.fit(X_train, y_train)Pemberat berbanding Pensampelan Semula
Pemberat kelas mengubah fungsi kerugian dan bukannya set data. Tiada baris ditambah atau dibuang, jadi anda mengekalkan semua data asal.
Ambang Tersembunyi 0.5
Kebanyakan pengelas meramalkan kebarangkalian, kemudian melabelkannya positif jika melebihi 0.5. Ambang lalai itu ialah pilihan, bukan hukum.
Alihkan Ambang
Rendahkan ambang dan model akan menandakan positif dengan lebih mudah. Lebih banyak kes jarang dapat dikesan, dengan kos lebih banyak amaran palsu.
Ramalkan Kebarangkalian Dahulu
Untuk melaraskan ambang, minta kebarangkalian daripada model, bukannya label muktamad. Kemudian gunakan ambang anda sendiri pada skor tersebut.
proba = model.predict_proba(X_test)[:, 1]
preds = (proba >= 0.30).astype(int)Pertukaran Utama
Ambang yang lebih rendah meningkatkan dapatan semula tetapi mengurangkan kejituan. Menaikkannya menghasilkan kesan sebaliknya. Titik yang betul bergantung pada kesilapan yang lebih merugikan.
Biarkan Kos Menentukan Ambang
Jika penipuan yang terlepas jauh lebih buruk daripada amaran palsu, gunakan ambang yang lebih rendah supaya kelas jarang jarang terlepas.
Gabungkan Kedua-dua Tuil
Pemberat kelas dan pelarasan ambang dapat digabungkan dengan baik. Berikan pemberat kepada kelas jarang semasa latihan, kemudian pilih ambang yang sepadan dengan kos sebenar anda.
Laraskan, Kemudian Tetapkan
Pilih ambang menggunakan data pengesahan, bukan set ujian. Kemudian gunakan ambang tetap yang sama untuk mendapatkan skor akhir yang jujur.
Semakan Pantas
Apakah yang berlaku apabila anda merendahkan ambang keputusan?
Imbas Kembali
Tanpa pensampelan semula, pemberat kelas mengenakan penalti terhadap ralat kelas jarang dan ambang yang dilaraskan mengimbangi dapatan semula dengan kejituan mengikut kos anda. 🎯
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Soalan Lazim
Adakah pelajaran “Pemberat Kelas dan Ambang” percuma?
Ya — teks penuh “Pemberat Kelas dan Ambang” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Data Science Academy, tingkat taraf kepada CoddyKit PRO. Kursus Data Science Academy merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Pemberat Kelas dan Ambang”?
Melaraskan model kepada kelas minoriti Anda berlatih Data Science Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Data Science Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Data Science Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 3 daripada 4.
Berapa lamakah pelajaran “Pemberat Kelas dan Ambang” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Data Science Academy ini?
Ya. Setiap pelajaran Data Science Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Mengapa Ketepatan Mengelirukan pada Ketakseimbangan
- Pensampelan Semula: SMOTE dan Pensampelan Kurang
- Pemberat Kelas dan Ambang
- Pilih Metrik untuk Peristiwa Jarang