Python 灵敏度太低

我正在处理逻辑回归分析。数据中目标值为0的患者人数为2000人，目标值为1的患者人数为188人。虽然总准确度为92，但灵敏度极低。这可能是因为阶级不平衡吗？结果如下：

LogisticRegression(class_weight={0:1, 1:10})

分数：

test score: 0.90
train score: 0.92

TRUE POSITIVE:  498
FALSE POSITIVE:  47
TRUE NEGATIVE:  2
FALSE NEGATIVE:  3

Overall Accuracy: 0.90
Sensitivity:  0.99
Specificity: 0.040

False Positive Rate:  0.959
False Discovery Rate:  0.086
Positive Predictive Value:  0.91
Negative Predictive Value:  0.4

F1 score:  0.952
Roc Auc: 0.822

混淆矩阵：

test score: 0.90
train score: 0.92

TRUE POSITIVE:  498
FALSE POSITIVE:  47
TRUE NEGATIVE:  2
FALSE NEGATIVE:  3

Overall Accuracy: 0.90
Sensitivity:  0.99
Specificity: 0.040

False Positive Rate:  0.959
False Discovery Rate:  0.086
Positive Predictive Value:  0.91
Negative Predictive Value:  0.4

F1 score:  0.952
Roc Auc: 0.822

一些指标：

test score: 0.90
train score: 0.92

TRUE POSITIVE:  498
FALSE POSITIVE:  47
TRUE NEGATIVE:  2
FALSE NEGATIVE:  3

Overall Accuracy: 0.90
Sensitivity:  0.99
Specificity: 0.040

False Positive Rate:  0.959
False Discovery Rate:  0.086
Positive Predictive Value:  0.91
Negative Predictive Value:  0.4

F1 score:  0.952
Roc Auc: 0.822

---

当然，这是由于你们班的不平衡

由于这种不平衡，您的模型更倾向于预测几乎每一个实例的正值，因为模型更容易这样做

要解决这个问题，有很多策略，例如：

• 如果要对模型进行交叉验证，请进行分层折叠

• 你可以试着对你的大多数班级进行抽样调查

• 您可以尝试向上采样少数类（有许多生成方法可以从少数类生成新数据：）

• 更改模型参数。使用LogistRegression，您通常可以为您的类赋予权重，以惩罚少数类的严重错误。实现取决于您使用的语言

在

scikit-learn

中，您可以执行以下操作：

LogisticRegression(class_weight={0:1, 1:10})

在上面的示例中，我给类“1”的错误比类“0”的错误大10倍

注意：此权重是模型的超参数，因此应进行验证

---

无论如何，如果你想要一个更广泛的答案，请检查我的答案。“模型=逻辑回归（C=0.1，类权重={0:1,1:10}，最大iter=10000）”解决了我的问题。@Muratşııkalan不客气。别忘了接受最好的答案：）我投票结束这个问题，因为它不是关于中定义的编程，而是关于ML理论和方法。