Machine learning 对于任何分类算法，我们如何修改训练数据集以在少数类上获得更好的精度？

在许多培训数据集中，类分布是倾斜的，即一个类非常频繁，例如95%，而另一个类很少，例如5%。在这样的应用中，将所有测试用例分配给多数类的朴素分类器可以实现非常高的精度。然而，朴素分类器并不预测少数类的任何情况，尽管它通常比多数类更重要

---

那么，是否有任何方法可以通过修改训练数据集来提高少数类的准确性？还是我们也必须修改分类算法

有很多方法。您可以向上采样miority类，向下采样多数，基于损失进行一些加权，或其他一些度量。由于您已经将您的帖子标记为与TF相关，我建议您查看Keras的重要性采样，它有一些现成的包装，您可以在模型周围放置

这是不平衡分类的问题。以下是用于处理不平衡数据集的方法

1.欠采样 2.过采样 3.合成数据生成 4.对成本敏感的学习

1.欠采样

此方法适用于大多数类。它减少了大多数类的观察次数，以使数据集保持平衡。此方法最适合在数据集庞大时使用，减少训练样本数有助于改善运行时间和存储问题。 欠采样方法有两种：随机和信息型

过采样 此方法适用于少数类。它复制少数群体的观察结果，以平衡数据。它也称为上采样。与欠采样类似，该方法也可分为两种类型：随机过采样和信息过采样

合成数据生成 简单地说，它不是复制和添加少数群体的观察结果，而是通过生成人工数据来克服不平衡。这也是一种过采样技术

在合成数据生成方面，合成少数过采样技术SMOTE是一种功能强大且应用广泛的方法。SMOTE算法基于特征空间而不是少数样本的数据空间相似性创建人工数据。我们也可以说，它生成了一组随机的少数类观察值，从而将分类器的学习偏向转向少数类

成本敏感学习 它是处理不平衡数据分类问题的另一种常用方法。这是一种有趣的方法。简单地说，该方法评估与错误分类观察相关的成本。 它不会创建平衡的数据分布。相反，它通过使用成本矩阵强调了不平衡学习问题，该矩阵描述了特定场景中误分类的成本。最近的研究表明，成本敏感学习的性能比抽样方法好很多倍。因此，该方法为抽样方法提供了一种可能的替代方法

要在R中构建这些，请参阅链接