Machine learning 训练集中的班级分布

在建立预测模型时（特别是在电信行业，关于客户流失），是否有必要在培训集中的课程之间进行1:1的划分（实际分布更像是1:50）？当阅读别人所做的事情时，情况似乎就是这样。但是他们没有必要把它作为一项要求。推荐什么？

您的问题通常被称为“阶级失衡”。它是否以及如何影响您的结果取决于您使用的算法和评估指标。例如，逻辑回归算法和模型精度可能非常容易受到此问题的影响。另一方面，简单的包络模型和模型AUC更能抵抗阶级不平衡。我知道处理这一问题有五种可能的方法：

1） 向上抽样：基本上是人为增加稀有类的数量。当您只有很少的数据时，这可能是一个可行的解决方案，但您有信心它能够代表更广泛的人群

2） 向下采样：只需省略富足类的一部分。当您有大量数据时，这是一个选项

3） 权重：告诉你的算法对从稀有类获得的信息给予更大的重视

4） 装袋：在这里，你随机地对你的数据进行子抽样，并将“弱”学习者与每个子样本相匹配。之后，将这些弱学习者聚集在一起，创建一个最终预测

5） 提振：类似于装袋，但每个“弱”学习者都不会对之前的装袋者不可知。取而代之的是，他们从最新的集合中提取残差

---

这里有一个非常详细的例子，包括

R

中的一些工作示例，它更侧重于

python

我想你的问题会在stats.stackexchange.com上引起更多的注意；不过，我将在下面尝试回答（一个相对一般的问题）。谢谢！正是我需要的！