Conjunto de datos de prueba altamente desequilibrados y datos de entrenamiento equilibrados en clasificación

9

Tengo un conjunto de entrenamiento con aproximadamente 3000 instancias positivas y 3000 instancias negativas. Pero mi conjunto de datos de prueba no está equilibrado. El conjunto positivo solo tiene 50 instancias y el negativo tiene 1500 instancias, lo que hace que la precisión sea muy baja. ¿Hay algún enfoque para resolver este problema? Yo uso SVM para construir clasificador.

machine-learning classification data-mining svm usuario785099
fuente
3
Esto no debería suceder ..... Los datos de entrenamiento y los datos de prueba deben ser selecciones aleatorias del mismo conjunto de datos.
Peter Flom

Respuestas:

5

Esto se llama configuración de cambio de conjunto de datos. Este pdf [1] debería ayudarlo a comprender varios de los problemas subyacentes involucrados.

Sin embargo, por el momento, puede usar el ajuste de importancia de mínimos cuadrados para obtener estimaciones de importancia para sus datos de entrenamiento utilizando su conjunto de prueba (no necesita las etiquetas del conjunto de prueba, solo los vectores de características) [2]. Una vez que obtenga las estimaciones de importancia, puede usarlas como ponderaciones de instancia en libSVM [3].

Eso debería permitirle obtener un mejor clasificador.

[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
fuente
¿Qué pasaría si el conjunto de entrenamiento está equilibrado pero el conjunto de prueba no lo está? ¿Deberían ambos tener la misma distribución?
wannik
1
@wannik Si su entrenamiento y conjunto de pruebas son muestras aleatorias de los datos reales, entonces deben tener distribuciones idénticas. Casi todos los clasificadores que utilizamos esperan que los datos sean de esta forma. Sin embargo, la situación que describe es un escenario bastante común. Es difícil predecir el comportamiento del clasificador en esta situación. En general, 1] Use un clasificador simple, si funciona, entonces excelente, 2] Si no, ¿conoce la proporción de clase en la prueba a priori? En caso afirmativo, utilice la transducción SVM 3]. Si no, utilice el mismo enfoque descrito en la respuesta original (ponderaciones de importancia).
TenaliRaman
1
Enlace actualizado al software de estimación de importancia de Sugiyama et al. ms.ku-tokyo.ac.jp/software.html#uLSIF
AruniRC
1

¿Crees que el "mundo real" se parece más al conjunto de entrenamiento o al conjunto de prueba? Si se parece más al conjunto de entrenamiento, puede muestrear al azar 50 instancias de su conjunto de pruebas negativas para obtener una estimación de precisión más imparcial. Pero estoy de acuerdo con Peter Flom: en general, sus conjuntos de prueba y de tren deberían ser similares.

Stefan Wager
fuente