1樓：錢小z
補充一下樓上的回答，可以取樣四份：train，valid_bridge，valid，test，前兩個相同分布，後兩個相同分布且符合資料的真實分布
2樓：阿爾卑斯的風
我覺得valid和train應該進行一樣的取樣，這樣valid可以用來評估train模型的有效性。
而test不應該做取樣，盡量保證test和真值分布一致
3樓：desperado
答案很簡單。
做離線測試有個基本原則，測試（驗證）資料集一定要盡可能地接近真實環境的資料分布。
要不然我每次從測試集中抽樣個能讓AUC=1.0的資料出來，匯報出去，怕不是會被打成豬頭 ，然後捲鋪蓋走人。。。
4樓：StefanChou
test集應該不做取樣，因為test是代表了真實世界的不均衡分布。取樣是為了更好的建模，所以應該在train上取樣。同樣道理valid是為了一定程度反映test的優劣，所以valid同樣不應該做取樣。
我不知道題主說的「訓練集和測試集的交叉」是什麼。因為除了訓練集（這裡包括訓練集全集和為了劃分驗證集之後的本地訓練集）之外，其他都不應該做取樣。
5樓：Profrabbit
嗨呀我也挺想知道這個問題的；我看mooc上老師在做下取樣時，是先進行下取樣工作，再進行切分和交叉驗證的步驟；但是有個問題，就是取樣後切出來的test資料集好像沒有什麼作用吧，因為最後是使用原始資料的test集評估的，那麼下取樣切出test set的步驟好像也沒有必要了吧，直接取樣後進行交叉驗證不好嗎，不太懂，入門新手求解答下。
資料不均衡對分類模型有什麼影響，該怎樣降低影響？
黃剛 針對不均衡資料集，保證評價指標的魯棒性與test符合真實分布的前提下，優先考慮修改成本的策略，然後是過 降取樣或樣本生成。但是取樣的實現相對最容易被大多數場景採用，那麼何時過何時降呢？私以為比例小的樣本總數量較小時採用過取樣，當樣本量較大時，降取樣或者直接保留原有分布。樣本生成通常要優先於過取...
向資料庫插入資料時，時間欄位的值，是在程式中新增還是依賴資料庫的函式，由資料庫去管理時間？？
首先要看你的時間字段用於什麼場景。如果你要用來對賬或者做某時間段的冪等的話，也就是具有功能性業務性的，推薦還是由程式決定。因為程式本身會產生時間，和你儲存好的這種時間進行對比，必須統一由程式決定。如果與功能無關推薦資料庫來管理。這樣的話不僅能讓資料在落地的時候統一標準，還可以依賴資料庫的特性來方便的...
資料在電腦內是如何進行傳輸的？
1.金屬電路裡面，自由電子的定向移動速度是非常慢的。要傳遞訊號並不需要把電子移動過去，只要接收端能建立起與傳送端接近的電壓就可以了。在理想情況下，這個速度應該是電磁波的傳播速度。但實際上電路中會有電容和電感，這些儲能元件積累電荷或磁場需要時間，訊號的傳輸延遲主要受這個影響。2.在 CPU 內部 CP...