1樓：
舉個例子，豐田公司的「召回門」事件，當時在全球召回850萬輛車，但是這裡面真正有問題的車有多少呢？可以理解為豐田公司為了提高「召回率」，下了血本，那也是沒有辦法的，回到題目，在樣本不平衡的情況下提高召回率，只能『』誤殺『』大部分，就是降低P，這裡有乙個平衡P和R的乙個指標F1，就是兩者的調和均值，但是像上面的例子就不需要了，目標就是提高R
2樓：anonymous
之前也做過乙個文字分類，同樣是資料不平衡（1:30），我當時的情況是召回率很高，但準確率很低，同樣過取樣，欠取樣效果不明顯。
不清楚題主具體是什麼任務，感覺還是從特徵工程方面入手比較合適。
1、建議查閱下相關文獻的做法，是否提取的特徵仍然不夠好，我們當時baseline只用了TFIDF效果特別差，後來加入word2vec等之後有了明顯提公升
2、分析Bad case，PRC，各個特徵的權重分布，剔除無效特徵，增加有效特徵
3樓：王贇 Maigo
1:3不能算極度不平衡。
如果你475個正樣本只能召回5個，往往是程式實現有bug；其次可能的原因是你選取的特徵對於你要做的任務沒有幫助。
4樓：
資料集的特徵是否還可以再作處理呢？如果可以從特徵上做比如pca，ica之類的，又或者做一下特徵選擇再做下取樣分類。另外，可以嘗試用隨機森林等整合學習演算法做分類。
機器學習的梯度下降演算法中尋找最合適學習率「阿爾法」的意義是什麼？
洋洋 目標函式的變數還是theta，可以把alpha視為乙個可以改變的常量，我們的目的就是為了更快地更準確地收斂到最小值。就好比要從a點到b點，ab 100公尺，我們的目的是達到b點 目標函式收斂 我們 變數 可以選擇不同的交通工具 alpha 到達b點，乘飛機 alpha較大 還沒起飛就到b點了，...
模擬於人腦的思考過程，機器學習 深度學習演算法的得到結果過程更像是理性思考還是直覺判斷？
唐唐唐 目前機器學習或深度學習類似人類學習過程的經驗，能夠很好的從資料中得到經驗，但是對於需要複雜推理的問題，無法挖掘深層次的潛在邏輯，特別對於本身具有抽象概念的問題。特別缺乏人類學習中強調的活學活用，很像是一位 書呆子 人腦決策過程區分理性思考和直覺判斷的界限並不清晰啊 沒法模擬。機器學習通過學習...
關於機器學習演算法中的smote處理不平衡問題，是針對於整個資料集處理還是僅針對訓練集來處理？
facetothefate 嘛，這個問題顯然可以翻譯成 對於交叉驗證，到底應該在哪做over sampling？顯然有這麼幾種做法 1，對整個開發集做over sampling，然後再交叉驗證 2，先劃分，對訓練集做 over sampling，用測試集測試 首先第一點要銘記於心的是，我們進行交叉驗...