Pesos de classe e limiares
Ajustando o modelo em favor da minoria.
Pesos de classe e limiares é uma aula grátis de Data Science Academy no CoddyKit. Esta é a aula 3 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Data Science Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Data Science Academy inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
Fix It Without Resampling
You can fight imbalance without touching the data at all. Two model-side levers help: class weights and the decision threshold.
What Class Weights Do
Class weights tell the model that mistakes on the rare class hurt more. It pays a bigger penalty for missing minority rows.
The Easy Default
Many scikit-learn models accept class_weight set to balanced. It auto-weights each class inversely to how often it appears.
model = LogisticRegression(class_weight='balanced')
model.fit(X_train, y_train)Weights vs Resampling
Class weights reshape the loss instead of the dataset. No rows are added or dropped, so you keep all your original data.
The Hidden 0.5 Cutoff
Most classifiers predict a probability, then label it positive if it tops 0.5. That default cutoff is a choice, not a law.
Move the Threshold
Lower the threshold and the model flags positives more eagerly. That catches more rare cases, at the price of more false alarms.
Predict Probabilities First
To tune a threshold, ask the model for probabilities, not hard labels. Then apply your own cutoff to those scores.
proba = model.predict_proba(X_test)[:, 1]
preds = (proba >= 0.30).astype(int)The Core Trade-Off
A lower threshold lifts recall but drops precision. Raising it does the reverse. The right point depends on which mistake costs more.
Let Cost Drive the Cutoff
If a missed fraud is far worse than a false alarm, lean toward a lower threshold so the rare class is rarely missed.
Combine the Levers
Class weights and threshold tuning stack nicely. Weight the rare class during training, then pick a cutoff that matches your real costs.
Tune, Then Lock It In
Choose the threshold using validation data, never the test set. Then apply that same fixed cutoff for an honest final score.
Quick Check
What happens when you lower the decision threshold?
Recap
Without resampling, class weights penalize rare-class errors and a tuned threshold trades recall against precision to fit your costs. 🎯
Perguntas Frequentes
A aula “Pesos de classe e limiares” é grátis?
Sim — o texto completo de “Pesos de classe e limiares” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Data Science Academy, atualize para CoddyKit PRO. O curso de Data Science Academy inclui 4 aulas no total.
O que vou aprender em “Pesos de classe e limiares”?
Ajustando o modelo em favor da minoria. Você pratica Data Science Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Data Science Academy?
Nenhuma experiência prévia é necessária. Data Science Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 3 de 4.
Quanto tempo leva a aula “Pesos de classe e limiares”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Data Science Academy?
Sim. Cada aula de Data Science Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Por que a acurácia engana em dados desbalanceados
- Reamostragem: SMOTE e subamostragem
- Pesos de classe e limiares
- Escolher métricas para eventos raros