Улучшение результата задачи классификации для сильно несбалансированного набора данных

Question

Я использую модель LinearSVC с использованием sklearn для моей задачи классификации для несбалансированного набора данных и получаю результат, как показано ниже:

confusion matrix:
[[43677 28222]
 [ 5309  9575]]

classification report:
   precision    recall  f1-score   support

   class 0:       0.72      0.69      0.71    133958
   class 1:       0.70      0.73      0.72    133958

   micro avg       0.71      0.71      0.71    267916
   macro avg       0.71      0.71      0.71    267916
weighted avg       0.71      0.71      0.71    267916

               precision    recall  f1-score   support

class 0:       0.89      0.61      0.72     71899
class 1:       0.25      0.64      0.36     14884

    micro avg       0.61      0.61      0.61     86783
    macro avg       0.57      0.63      0.54     86783
 weighted avg       0.78      0.61      0.66     86783

Посмотрите на результат, есть ли у меня какие-либо предложения по его улучшению? (Я использую метод передискретизации для балансировки тренировочного набора данных)

Что меня беспокоит, так это отфильтровывать все экземпляры в классе 1 из данных. Должен ли я просто посмотреть на точность / отзыв класса 1 или использовать другие метрики, чтобы оценить, насколько хороша моя модель?

Answer 1

передискретизация не поможет все время (то есть она просто дублирует выборки, чтобы сбалансировать данные). попробуйте разные подходы, например, «Метод передискретизации синтетического меньшинства». Для получения более подробной информации см. SMOTE