Python 在倾斜数据集训练中使用精度和召回率

我有一个扭曲的数据集（5000000个正示例和8000个负示例[二进制分类]），因此，我知道，准确性不是一个有用的模型评估指标。我知道如何从数学上计算精度和召回率，但我不确定如何在python代码中实现它们

当我针对所有数据对模型进行训练时，总的来说，我获得了99%的准确率，但对负面示例的准确率为0%（即，将所有内容分类为正面）

我已经在Pytorch中使用

criteria=nn.CrossEntropyLoss（）

和

optimizer=optim.Adam（）

构建了当前的模型

所以，我的问题是，我如何在训练中实现精确性和召回率，以产生尽可能最好的模型

---

提前感谢

精度、召回率和F1分数以及其他指标的实现通常是从python中的scikit学习库导入的

链接：

关于你的分类任务，正面训练样本的数量只会掩盖负面样本的数量。尝试减少阳性样本数或生成更多阴性样本进行训练。考虑到类偏斜，我不确定深度神经网络是否能为您提供最佳结果

可以使用合成少数过采样技术（SMOT）生成负样本。这个链接是一个很好的起点。 链接：

---

首先尝试使用简单的模型，如逻辑回归或随机森林，并检查模型的F1分数是否有任何改善。

为了补充另一个答案，一些分类器有一个名为

class_weight

的参数，让您修改损失函数。通过对少数类的错误预测进行更多惩罚，您可以训练分类器学习预测这两个类。 关于pytorch的具体答案，您可以参考

正如在另一个答案中提到的，可以使用过采样和欠采样策略。如果你在寻找更好的东西，看看