Klassvikter och trösklar
Ställ in modellen mot minoritetsklassen
Klassvikter och trösklar är en gratis lektion i Data Science Academy på CoddyKit. Detta är lektion 3 av 4. Ni kan läsa hela lektionen gratis nedan och sedan öva praktiskt i webbläsaren med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt. Den ingår i lärvägen för Data Science Academy, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i Data Science Academy innehåller totalt 4 lektioner.
Åtgärda det utan omsampling
Ni kan bekämpa obalans utan att röra data alls. Två modellbaserade reglage hjälper: klassvikter och beslutströskeln.
Vad klassvikter gör
Klassvikter talar om för modellen att fel på den sällsynta klassen gör större skada. Den får ett större straff för att missa minoritetsrader.
Det enkla standardvalet
Många scikit-learn-modeller accepterar class_weight inställt på balanced. Då viktas varje klass automatiskt omvänt mot hur ofta den förekommer.
model = LogisticRegression(class_weight='balanced')
model.fit(X_train, y_train)Vikter jämfört med omsampling
Klassvikter förändrar förlustfunktionen i stället för datasetet. Inga rader läggs till eller tas bort, så Ni behåller alla Era ursprungliga data.
Den dolda gränsen 0,5
De flesta klassificerare förutsäger en sannolikhet och märker sedan värdet som positivt om det överstiger 0,5. Den standardgränsen är ett val, inte en lag.
Flytta tröskeln
Sänk tröskeln så flaggar modellen positiva fall mer villigt. Då upptäcks fler sällsynta fall, men priset blir fler falsklarm.
Förutsäg sannolikheter först
För att justera en tröskel ber Ni modellen om sannolikheter, inte fasta etiketter. Tillämpa sedan Er egen gräns på dessa poäng.
proba = model.predict_proba(X_test)[:, 1]
preds = (proba >= 0.30).astype(int)Den centrala avvägningen
En lägre tröskel höjer recall men sänker precision. Om Ni höjer den blir det tvärtom. Rätt punkt beror på vilket fel som kostar mest.
Låt kostnaden styra gränsen
Om ett missat bedrägeri är mycket värre än ett falsklarm bör Ni välja en lägre tröskel, så att den sällsynta klassen mer sällan missas.
Kombinera reglagen
Klassvikter och tröskeljustering fungerar bra tillsammans. Vikta den sällsynta klassen under träningen och välj sedan en gräns som motsvarar Era verkliga kostnader.
Justera och lås sedan värdet
Välj tröskeln med valideringsdata, aldrig med testuppsättningen. Använd sedan samma fasta gräns för ett ärligt slutresultat.
Snabb kontroll
Vad händer när Ni sänker beslutströskeln?
Sammanfattning
Utan omsampling straffar klassvikter fel på den sällsynta klassen, medan en justerad tröskel väger recall mot precision utifrån Era kostnader. 🎯
Lär dig Python med en AI-lärare – gratis
Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.
- Kurser
- 30
- Lektioner
- 120
Vanliga frågor
Är lektionen ”Klassvikter och trösklar” gratis?
Ja – hela texten till ”Klassvikter och trösklar” kan läsas gratis här på webben. Om Ni vill öva interaktivt med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt och låsa upp resten av kursen i Data Science Academy, kan Ni uppgradera till CoddyKit PRO. Kursen i Data Science Academy innehåller totalt 4 lektioner.
Vad lär jag mig i ”Klassvikter och trösklar”?
Ställ in modellen mot minoritetsklassen Ni övar på Data Science Academy med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.
Behöver jag någon erfarenhet för att börja lära mig Data Science Academy?
Du behöver inga förkunskaper. Utbildningen i Data Science Academy på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 3 av 4.
Hur lång tid tar lektionen ”Klassvikter och trösklar”?
De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.
Kan jag skriva och köra kod i den här Data Science Academy-lektionen?
Ja. Varje Data Science Academy-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.
Alla lektioner i den här kursen
- Varför accuracy lurar dig vid obalans
- Omsampling: SMOTE och undersampling
- Klassvikter och trösklar
- Välj mått för sällsynta händelser