Python 在机器学习（二进制分类）中处理数据的最佳技巧？

我是机器学习的新手，如果我是哑巴，请原谅我。 我有一个traindata.csv文件，包含22个属性和30000个数据点

我必须训练我的模型（不是特定的算法）并在testdata.csv文件中预测20000个数据点，我必须在这个文件上用我训练过的模型进行预测

在traindata.csv中，“0”和“1”类标签的比率为5:1。 如果我用这整列数据训练我的模型，我的模型显示出预测0比1的一些偏差

不知怎的，我知道我的测试数据中的实际值是0和1，比例为1:1

---

你能给我推荐一些方法（某种噪音消除）来预处理我的列车数据，这样在预测我的测试数据时就不会偏向于0（因为它有相等的0和1）？

这是一个被称为“不平衡分类”的经典问题

我建议采用平衡装袋分级机。如果你喜欢python，我推荐你。我真的不在乎你包什么，但树是一个很好的开始。这个包中有很多文档和其他方法

---

如果你想变得更花哨一点，你可以在任何类型的树方法中使用。标准树选择对类大小比率（即倾斜）敏感的分割点。海林格距离不是。我不知道python中有什么开源实现。

谢谢，但是你能推荐一些类似于“BalancedBaggingRegressionor”的东西吗？比如你在im使用回归模型时提供的链接？？你提到了类标签，所以你在做分类。如果你有足够多的类并且它们是有序的，那么这和回归是一样的。如果是这样的话，那我就没有什么可以给你的了。我不知道有任何关于目标维度训练活动密度的研究。我建议你改写你的问题。使其更正式，并尝试使用技术术语。现有的代码也会有所帮助。您使用的是什么模型？我使用的是“XGBRegressionor”，我只有两个类标签“0”和“1”。我的训练数据是如此糟糕，正如我上面所描述的。所以我想给出类似class_weight=“balance”的东西，所以我要求“BalancedBaggingRegressor”，我重复一遍。如果你有两个类，你在做分类而不是回归。ie尝试预测1或0，而不是范围（0,1）内的一个点尝试sklearn.ensemble.GradientBoostingClassificatedly，我在做一个kaggle竞赛，根据auc分数给出结果，所以我也可以提交预测概率，这样我就可以获得好的auc分数。这就是为什么我使用XGBRegressionor。