问雪橇课重量不起作用

EN

我正在处理一个不平衡的数据集，和往常一样，它很容易获得一个高精度，但较少频繁类的召回率非常低。我想对较少上课次数的假阴性进行改进。

针对学习随机森林的具体性，一种可能的策略是在较少频繁的类中设置一个惩罚错误的class_weight，并使用一个学习评分函数作为ROC。

grid = GridSearchCV(pipe, cv=number_of_cross_validations, n_jobs=1, param_grid=param_grid , scoring = scorer)
classifier = grid.fit(X_train, y_train)

其中pipe是包含RandomForestClassifier的管道，param_grid包含要尝试的不同的class_weight。

我的问题可能与这个问题有关，事实上，仅仅class_weight似乎还不足以显著降低假阴性。作为一个极端的例子，如果我设置：

 class_weight = {0: 0.0000001, 1: 0.9999999} 

(其中1是实例较少的类，其比例为1:50)，我期望最终的分类器几乎总是预测1，因为每次发生错误时，代价都很高。但事实并非如此，匹配的分类器继续产生大量的假阴性。为什么会这样呢？