Как увеличить количество ложных срабатываний и уменьшить количество ложных срабатываний при логистической регрессии?

Question

Результаты, которые я получаю в связи с проблемой связывания записей, классифицируют больше значений как ложно-положительные, чем ложно-отрицательные.Есть ли способ сбалансировать это?

# Initialize the classifier

    logreg = rl.LogisticRegressionClassifier()

# Train the classifier

    logreg.fit(golden_pairs, golden_matches_index)
    print ("Intercept: ", logreg.intercept)
    print ("Coefficients: ", logreg.coefficients)

# Predict the match status for all record pairs
result_logreg = logreg.predict(test_pairs[columns_to_keep])

len(result_logreg)

#true_links = features_complete_new_index[features_complete_new_index['evaluation'] == True].index
true_links = test_pairs[test_pairs['evaluation'] == True].index


print("confusion matrix of Logistic Regression ",rl.confusion_matrix(true_links, result_logreg, len(test_pairs)), "False positives ", rl.false_positives(true_links, result_logreg), "False negatives ", rl.false_negatives(true_links, result_logreg))


The output is Intercept:  -6.974042394356818
Coefficients:  [-0.07818545  7.83113994  0.96939354 -6.97404239  1.65737031  0.694744  ]
confusion matrix of Logistic Regression  [[   5915    2576]
 [   1075 7167134]] False positives  1075 False negatives  2576
F-Score of Log Regr  0.7641625218009173

Answer 1

вы всегда можете настроить свой классификатор, но что вы подразумеваете под сбалансированным? С FP и FN интереснее, какой прогноз тебе вредит?

FN-прогноз (False negativ) - это прогноз с исходным прогнозом True, который не был распознан вашим классификатором. Поэтому, если вы попытаетесь обнаружить обнаружение мошенничества, а ваши истинные значения являются мошенничеством, ложный минус станет настоящей проблемой, так как это мошенничество не будет распознано.

Это книга, полная ответов, о которой мы могли бы рассказать. Попробуйте настроить эту строку кода: logreg = rl.LogisticRegressionClassifier() и посмотрите, как она меняется