Machine learning 在数据不平衡的管道中进行交叉验证的正确方法

对于给定的不平衡数据，我创建了一个不同的标准化管道&一个热编码

numeric\u transformer=Pipeline（步骤=[（'scaler'，StandardScaler（））]
categorical_transformer=管道（步骤=['ohe'，OneHotCategoricalEncoder（））

之后，柱形变压器将上述管道保持在一个

来自sklearn.compose的

预处理器=列转换器(
变形金刚=[
（'num'，数字变压器，数字特征），
（'cat'，分类变压器，分类特征）]

最终管道如下所示

smt=SMOT（随机状态=42）
rf=pl1（[（‘预处理器’、预处理器）、（‘SMOT’、smt），
（'classifier'，RandomForestClassifier（））]）

我正在对不平衡的数据进行管道拟合，因此我将SMOTE技术与预处理和分类器结合在一起。由于它是不平衡的，我想检查召回分数

正确的方法是否如下面的代码所示？我得到的召回率约为0.98，这可能会导致模型过度拟合。如果我犯了任何错误，有什么建议吗

scores=cross\u val\u scores（rf、X、y、cv=5，scoring=“recall”）

不平衡设置中的重要问题是确保每个CV折叠中都有足够的少数群体成员；因此，似乎建议使用

分层折叠，即：

从sklearn.model_选择导入分层折叠
skf=层状褶皱（n_分裂=5）
分数=交叉分数（rf、X、y、cv=skf，score=“回忆”）

然而，事实证明，即使像您一样使用
交叉评分
（即简单地使用
cv=5
），scikit learn也会注意到这一点，并使用分层的cv；从：

cv:int，交叉验证生成器或iterable，默认值=None


无，要使用默认的5倍交叉验证

int，指定
（分层）KFold
中的折叠数


对于int/None输入，如果估计器是分类器，
y
是
二进制或多类，使用分层折叠。在所有其他情况下，
使用了
KFold

因此，按原样使用代码：

scores=cross\u val\u scores（rf、X、y、cv=5，scoring=“recall”）

确实很好。
您在CV程序中正确地应用了管道。“我的召回率约为0.98，这可能会导致模型过度匹配”完全不可理解。谢谢，我怀疑管道中选择交叉验证的过程是否错误。这也是我第一次在管道上实现。
cross\val\u score
StratifiedKFold的默认交叉验证策略不是吗（假设问题是单输出）？@BenReiniger heck，你说得对！我错过了：（你想自己发布这个答案吗（我会要求OP接受你的答案）？否则我会更新我的-你的电话。。。