Scikit learn 改进高度不平衡数据集分类问题的结果

我正在使用sklearn运行LinearSVC模型来解决我在不平衡数据集上的分类问题，结果如下：

confusion matrix:
[[43677 28222]
 [ 5309  9575]]

classification report:
   precision    recall  f1-score   support

   class 0:       0.72      0.69      0.71    133958
   class 1:       0.70      0.73      0.72    133958

   micro avg       0.71      0.71      0.71    267916
   macro avg       0.71      0.71      0.71    267916
weighted avg       0.71      0.71      0.71    267916

               precision    recall  f1-score   support

class 0:       0.89      0.61      0.72     71899
class 1:       0.25      0.64      0.36     14884

    micro avg       0.61      0.61      0.61     86783
    macro avg       0.57      0.63      0.54     86783
 weighted avg       0.78      0.61      0.66     86783

看看结果，你有什么建议让我改进吗？（我使用过采样方法来平衡训练数据集）

---

我所关心的是从数据中过滤掉类1中的所有实例，我应该只查看类1的精度/召回率，还是应该使用任何其他指标来评估我的模型有多好？

过采样不会一直有帮助（即，它只是复制样本以平衡数据）。 尝试不同的方法，例如“合成少数超采样技术”。

---

有关更多详细信息，请参阅以下内容，

过采样不会一直有帮助（即，它只是复制样本以平衡数据）。 尝试不同的方法，例如“合成少数超采样技术”。

---

有关更多详细信息，请参阅以下内容，

class\u weight

从带过采样和不带过采样开始应是第一件要尝试的事情。

class\u weight

从带过采样和不带过采样开始应是第一件要尝试的事情。