Kumpulan data uji yang sangat tidak seimbang dan data pelatihan yang seimbang dalam klasifikasi

9

Saya memiliki satu set pelatihan dengan sekitar 3000 contoh positif dan 3000 contoh negatif. Tetapi kumpulan data pengujian saya sangat tidak seimbang. Set positif hanya memiliki 50 instance dan negatif memiliki 1500 instance. Hal ini menyebabkan presisi sangat rendah. Apakah ada pendekatan untuk menyelesaikan masalah ini? Saya menggunakan SVM untuk membangun classifier.

machine-learning classification data-mining svm pengguna785099
sumber
3
Ini seharusnya tidak terjadi ..... Data pelatihan dan data uji harus merupakan pilihan acak dari set data yang sama.
Peter Flom

Jawaban:

5

Ini disebut pengaturan Dataset Shift. PDF ini [1] akan membantu Anda memahami beberapa masalah mendasar yang terlibat.

Namun untuk saat ini, Anda dapat menggunakan kuadrat kepentingan terkecil untuk mendapatkan perkiraan penting untuk data pelatihan Anda menggunakan set tes Anda (Anda tidak perlu label set tes, hanya vektor fitur) [2]. Setelah Anda mendapatkan estimasi penting, Anda dapat menggunakannya sebagai bobot contoh di libSVM [3].

Itu akan memungkinkan Anda untuk mendapatkan classifier yang lebih baik.

[1] http://www.acad.bg/ebook/ml/The.MIT.Press.Dataset.Shift.in.Machine.Learning.Feb.2009.eBook-DDU.pdf
[2] http: // www .ms.ku-tokyo.ac.jp / software.html # uLSIF
[3] http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/#weights_for_data_instances

TenaliRaman
sumber
Apa yang akan terjadi jika set pelatihan seimbang tetapi set tes tidak? Haruskah mereka berdua memiliki distribusi yang sama?
wannik
1
@wannik Jika pelatihan dan set tes Anda adalah sampel acak dari data aktual, maka mereka harus memiliki distribusi yang identik. Hampir setiap classifier yang kita gunakan mengharapkan data dari formulir ini. Namun, situasi yang Anda gambarkan adalah skenario yang cukup umum. Sulit untuk memprediksi perilaku penggolong dalam situasi ini. Secara umum, 1] Gunakan classifier biasa, jika berfungsi dengan baik, 2] Jika tidak, apakah Anda tahu proporsi kelas dalam tes apriori? Jika ya, maka gunakan transduksi SVM 3] Jika tidak, maka gunakan pendekatan yang sama seperti yang dijelaskan dalam jawaban asli (bobot pentingnya).
TenaliRaman
1
Tautan yang diperbarui ke perangkat lunak estimasi pentingnya dari Sugiyama et al. ms.ku-tokyo.ac.jp/software.html#uLSIF
AruniRC
1

Apakah Anda pikir `dunia nyata 'lebih mirip dengan set latihan atau set tes? Jika lebih mirip dengan set pelatihan, Anda dapat secara acak sampel 50 contoh dari set tes negatif Anda untuk mendapatkan perkiraan presisi yang lebih adil. Tapi saya setuju dengan Peter Flom: Secara umum, set tes dan kereta Anda harus sama.

Stefan Taruhan
sumber