Python 将多类问题简化为二元分类问题

我正在做一个著名的实验，但并没有显示出好的结果（约58%）

该数据集有5个有序类，“心脏病存在水平”从0到4，其中0表示无心脏病，4表示心脏病高存在。问题是该数据集非常不平衡，并且分类为0的对象比其他对象多得多。将此数据集呈现给MLP的准确率为58%，这是非常低的

---

因此，我想将从1-4分类的所有对象合并，并将其转换为二元分类（例如，0=无疾病/1=发现疾病）。我注意到这被称为“一对一”策略。由于我对ML这个世界非常陌生，我想知道如何使用熊猫来实现这一点，或者是否有更好的工具来实现这一点。

很简单，目前您的

y\u训练数据看起来像：
[1,2,5,2,1,3,2,4,4,5,5,5]
您要做的是创建一个空数组
二进制\u标签
，然后遍历PD中的每一行，如果标签为1-4，则将0附加到二进制\u标签，否则将附加1。然后向PD引入一个新列，并根据其值设置二进制_标签，或者用此数组替换y_序列数据

此外，您还可以替换MLP中的损失函数，等等。但这就是数据的结构。
df['disease\u found']=df['level\u presence']>0
，然后使用“disease\u found”列而不是“level\u presence”。我并不认为这是解决您的低精度问题的方法。偏差是数据固有的，你应该找到一个适合你的数据的算法，而不是适合你的算法。事实上，我将MLP与带有决策树的Adaboost（集成）进行比较。这两种方法的精确度都很低。谢谢，但是你说的替换MLP中的损耗函数是什么意思？我使用的是标准的
MLP分类器
来自
scikit学习
谢谢，我的模型现在具有约83%的准确性：我认为MLP可以推断损失函数，所以这没关系：）