问如何在不平衡的二进制分类项目中使用"is_unbalance“和"scale_pos_weight”参数(80:20)

EN

这个答案可能对您提出关于is_unbalance：Use of 'is_unbalance' parameter in Lightgbm的问题有好处。

您不一定不正确地使用is_unbalance，但是sample_pos_weight会更好地控制少数和多数类的权重。

在这个链接中，有一个关于scale_pos_weight使用的很好的解释：https://stats.stackexchange.com/questions/243207/what-is-the-proper-usage-of-scale-pos-weight-in-xgboost-for-imbalanced-datasets

基本上，scale_pos_weight允许为少数类设置一个可配置的权重，作为目标变量。关于这个主题的一个很好的讨论是在这里https://discuss.xgboost.ai/t/how-does-scale-pos-weight-affect-probabilities/1790/4。

关于SMOTE，我不能提供关于它的理论证明，但是考虑到我的经验，每次我尝试用它来提高任何使用SMOTE的模型性能时，它都失败了。

更好的方法可能是仔细决定必须优化哪个度量。更好的衡量不平衡问题的指标是F1评分和回忆。一般来说，AUC和准确性将是一个糟糕的选择。此外，在搜索超参数时，-micro和加权度量是很好的客观度量)

机器学习掌握提供了关于微观、宏和加权度量的良好解释和实现代码：https://machinelearningmastery.com/precision-recall-and-f-measure-for-imbalanced-classification/