在机器学习分类中寻找降低误报率的方法
在机器学习分类中，降低误报率的方法有以下几种：
- 调整分类阈值：机器学习模型在进行分类时，会根据一个阈值来判断样本属于哪个类别。通过调整分类阈值，可以控制误报率。降低阈值可以减少误报率，但可能会增加漏报率。相反，提高阈值可以减少漏报率，但可能会增加误报率。根据具体需求和应用场景，可以根据误报率的重要性来选择合适的分类阈值。
- 使用不平衡数据处理方法：在实际应用中，往往存在类别不平衡的情况，即某个类别的样本数量远远大于其他类别。这种情况下，模型容易倾向于将样本分类为数量较多的类别，从而导致误报率较高。可以采用一些不平衡数据处理方法，如欠采样、过采样、SMOTE等，来平衡各个类别的样本数量，从而降低误报率。
- 特征选择和特征工程：通过选择合适的特征和进行特征工程，可以提高模型的分类性能，从而降低误报率。特征选择可以去除冗余和无关的特征，提取对分类任务有用的特征。特征工程可以通过组合、变换、归一化等方式，使得特征更具有区分度和表达能力。
- 使用集成学习方法：集成学习通过将多个基分类器的预测结果进行组合，可以提高分类性能。对于降低误报率，可以采用一些集成学习方法，如Bagging、Boosting、随机森林等。这些方法可以减少个别分类器的误报，从而降低整体的误报率。
- 调整模型参数和算法选择：不同的机器学习算法和模型参数对于误报率的影响是不同的。可以通过调整模型参数和选择合适的算法，来降低误报率。例如，对于支持向量机（SVM）算法，可以通过调整惩罚参数C来控制误报率和漏报率的权衡。
总结起来，降低误报率的方法包括调整分类阈值、使用不平衡数据处理方法、特征选择和特征工程、使用集成学习方法以及调整模型参数和算法选择等。根据具体情况选择合适的方法，可以提高机器学习分类的准确性和可靠性。对于降低误报率的方法，腾讯云提供了丰富的云计算产品和解决方案，如腾讯云机器学习平台（https://cloud.tencent.com/product/tcml）、腾讯云数据处理平台（https://cloud.tencent.com/product/dp）、腾讯云人工智能开放平台（https://cloud.tencent.com/product/ai）等，可以帮助用户实现高效的机器学习分类和降低误报率的目标。
相关·内容
3回答
如果一个分类特性在数据集中只出现几次，我应该删除它吗？
logistic-regression、svm、features、one-hot-encoding
我有一组数据，大部分是分类变量。当我对它们进行一次热编码时，一些特性出现的时间不到3%。
例如，在有32561个样本的数据集中，技术支持功能只发生928次。其发生率仅为2.9%。
当我应该放弃这些变量的时候，是否有一个一般的临界点？我正在清理这个数据集的二进制逻辑回归和支持向量机。
谢谢!
浏览 0提问于2020-02-07得票数 2
1回答
高度不平衡数据集(XGBoost)中使用的负样本数的影响
machine-learning、xgboost
我试图在高度不平衡的数据集上使用XGBoost来建模一个分类器，它有有限的正样本和几乎无限的负样本。是否有可能有太多的负样本(使数据集更加不平衡)会削弱模型的预测能力？除了运行时间外，是否有理由限制阴性样本的数量？
我知道应该解决这个问题的scale_pos_weight参数，但是我的直觉说即使这种方法也有其局限性。
浏览 0提问于2019-03-05得票数 2
回答已采纳
1回答
降维(异构数据)
python、machine-learning、data-science、dimensionality-reduction
我对机器学习和数据科学知之甚少，我需要对数据集进行降维，以对应于用户的电视消费。我有大约20列(特征)和数十万个样本。 问题是这些功能是不同类型的。例如，地区、日期、设备类型、消费时长等。 在这种特殊情况下，我可以实现哪些算法来减少特征的数量？
浏览 9提问于2021-01-11得票数 0
1回答
KNN随机子空间分类器中的邻域数
cross-validation、knn、ensemble-learning、neighbours
基于随机子空间方法，以KNN为学习对象，建立了一个集成分类器模型。
我有三个预测因子，其维数为541个样本，并且我开发了一个寻找最佳k(邻居数)的优化过程。我选择了使分类器的AUC最大化的k，它的性能用10倍交叉验证来计算.对于每一个弱学习者来说，最佳k的结果是269 (这是一个类似优化的结果)。
现在，我的问题是:269个邻居是不是太多了？我相信优化的结果，但我从来没有使用过这么多的邻居，我担心过度适应。
提前谢谢你，议员
浏览 0提问于2019-02-13得票数 0
回答已采纳
2回答
准确预测出样本变坏了！太适合了？
machine-learning、classification、r、random-forest、overfitting
我有一个包含大约3000个观测结果的data.set。每一个观察都属于这五种类型中的一种(这些都是预先定义的)。
我正在使用randomForest和gbm从h2o包进行分类。在运行算法之前，我使用hyperparameters优化每个算法的h2o.grid。
对于模型验证，我将查看两种算法的confussion matrix，包括in-sample和out-of-sample。
问题是，在样本中，算法对所有5个类别的性能都比较好，但在样本之外，它们只对一个类别执行得很好。我想这很常见。
我有两个解释:这五个类别不相等，这意味着对于几个类别，我有一些观察。第二，算法过于适合。
“100万美元的
浏览 0提问于2017-05-19得票数 -1
1回答
通过创建自己的标签进行监督学习
machine-learning
场景--我有没有标签的数据，但是我可以创建一个函数来根据行为给数据贴上标签并部署模型，这样我就不必一直给数据贴标签了。这算是机器学习吗？
目标：基于高、中、低标签对大数据(数万亿行数据)进行容量峰值分类
data ：我拥有的数据包括以下属性:帐户、时间、日期、卷金额。
方法
创建一个名为“尖峰”的新特征列，并创建一个熊猫函数来识别大于5的尖峰。这是功能工程吗？
接下来，我创建我的标签列，并将其分类为低、中或高峰值。
接下来，我将训练一个机器学习分类器，并将其部署到大数据中标记具有类似模式的未来帐户。
关于这个过程的想法？这种方法对机器学习是正确的吗？
浏览 1提问于2019-06-26得票数 0
1回答
在二进制分类机学习中平衡正负示例的必要性？
machine-learning、class-imbalance
当使用像梯度增强树和CNN这样的机器学习模型时，当学习二进制分类时，是否需要(或者被认为是一种经常做好的好做法)平衡正负示例的数量？
给出P正示例和N负示例，其中P << N，我可以想到几种选择：(让我们忘记验证集和测试集)
选择A)根本没有平衡，把所有的例子(完全是P+N)放入训练集而不加权w.r.t。他们的比率。
选择B:将所有示例(完全P+N)放入训练集，但将所有正示例1/2P和所有负数1/2N加权，从而使正负示例的总权重相等。
选择C:取所有P正数，然后取P负数样本(从N中取出来)，用均匀加权法训练这些2P实例。
每种方法的优缺点是什么?我们通常采用哪种方法(S)？
浏览 0提问于2017-04-22得票数 5
1回答
加权相关系数
statistics、signals
我的问题是分类输入时间序列信号(128点，时间等距，范围0.0.1.0)在有限的数量(例如16)不同的类别。我们有手工分类的20000个样本，我们使用2000年作为训练集和其他18000来评估我们的分类算法(测试集)。
在我的分析中，我发现使用相关系数进行分类是很好的。https://en.wikipedia.org/wiki/Pearson_相关性_系数
我的分类“标准”类样本是以训练集的平均值计算的。我将测试集中的每个样本与标准类样本相关联，并以最高的系数选择获奖类别。
问题是我发现信号的不同部分并不同等重要。信号的某些部分在样本之间波动很大，而且非常相似。
所以我想出了在相关系数中包含一
浏览 0提问于2019-09-07得票数 0
1回答
机器学习中的特征提取
machine-learning、deep-learning、object-detection
我对阅读遥感目标检测技术综述感到有点困惑。基于机器学习的目标检测由特征提取、特征融合+降维和分类器训练三部分组成。然后，他们列出了特征提取方法：
定向梯度直方图，
一袋袋话，
纹理特征，
还有更多。
在本节的后面，他们列举了分类器培训的方法，例如：
支持向量机
AdaBoost，
最近的邻居，
神经网络
这与我对事物的理解不一致。我的经验主要是在CNN。当我使用卷积神经网络进行目标检测时，它们由特征提取器和分类器组成，不是吗？特征提取器是卷积(和/或其他)层。我从来没有遇到过一种算法/技术，它使用例如一袋单词来提取特征，然后将其提供给神经网络。我可以想象，例如一袋单词和k近邻或支持向量机。但我
浏览 0提问于2020-11-09得票数 0
1回答
创建培训数据
nlp、data-cleaning、nltk、google-prediction-api
我的任务是分类免费文本来源于客户对我们产品的抱怨。
我创建了一个分类法，并有大约10个不同的类别。我意识到这些类别包括关键词。
示例：
"Customer doesn't understand how to use the product".
关键词:理解，知识，了解，意识。
记录：
Training, Customer doesn't understand how to use the product
我在用谷歌预测API。在培训模型时，我会将以前的文本归类为：“客户不知道如何使用该产品”--培训。
如何添加关键字到免费的文本/培训数据，以帮助模型更好的表现，
浏览 0提问于2016-03-04得票数 4
回答已采纳
4回答
机器学习与深度学习
machine-learning、deep-learning
我对“机器学习”和“深度学习”这两个词之间的区别感到有点困惑。我在谷歌上搜索过很多文章，但对我来说还是不太清楚。
汤姆·米切尔对机器学习的一个已知定义是：
一个计算机程序据说可以从经验E中学习到某些类型的任务T和性能度量P，如果它在T中的性能(按P来衡量)随着经验E的提高而提高。
如果我把狗和猫分类的图像分类问题作为我的目标T，我从这个定义中了解到，如果我给一个ML算法一堆狗和猫的图像(经验E)，那么ML算法可以学习如何区分一个新的图像是狗还是猫(前提是性能度量P是很好的定义)。
然后是深度学习。我理解深度学习是机器学习的一部分，而上面的定义是成立的。任务T的性能随着经验的提高而提高。
这个博
浏览 0提问于2017-01-20得票数 12
回答已采纳
1回答
无法理解特征提取
machine-learning、neural-network、deep-learning、feature-engineering、feature-extraction
我正在学习人工智能课程，我们刚刚进入了深入学习的章节。说到经典机器学习模型和深度学习模型的区别，最有利于神经网络的一点是它不需要特征提取阶段。这是因为它可以直接在数据上隐式地学习什么是最重要的特性，我们给它作为输入。相反，机器学习系统在开始训练之前，严重依赖于特征提取。
我在这个网站上找到了一些关于这个主题的有用的问题，但是我还是有点不明白什么是特征提取。所以我请我的老师给我举个例子。
他给了我这个例子:假设我们有一个巨大的图像数据集，我们希望根据图片中至少有一棵树的存在与否来对它们进行分类。因此，如果图像包含一棵树，它将被归类为1，否则为-1。
在神经网络的情况下，我们简单地将图像用标签传送
浏览 0提问于2021-01-18得票数 2
回答已采纳
3回答
matlab中的集成分类器
matlab、classification
我想使用集成分类器对300个样本进行分类(15个正样本和285个负样本，这意味着二进制分类)。我从这些样本中提取了18个特征，它们都是数值的，并且这些特征之间存在一定的相关性。我是MATLAB的新手，我尝试过使用“fitensemble”，但我不知道该使用哪种方法：'AdaBoostM1'，'LogitBoost'，'GentleBoost'，'RobustBoost‘，’Bag‘或'Subspace’。由于特征的数量是18，我不知道天气提升算法能不能帮到我。另一方面，我对学习者的数量有问题。有多少个学习者适合这个问题，我就可以得
浏览 2提问于2013-07-27得票数 1
2回答
对客户邮件进行分类
machine-learning、nlp、feature-selection、feature-extraction、multilabel-classification
我正在为一家公司做一个项目，该项目需要对客户关于贷款和保险的电子邮件进行分类。电子邮件是从13个类别标签中唯一标记出来的.数据集中的记录数为3000条。所有的电子邮件都不是正确的英语或格式，有很多拼写错误和不必要的功能，如印度名字，地址等。数据集是非常不平衡的，前三个类别的频率合并到2000年，有两个类别的频率在40-80之间。我设法对数据进行了预处理，并删除了大部分不必要的内容和拼写错误。
我使用LinearSVC建立了一个监督学习模型，在验证数据集上给出了大约78%的结果，之后我使用了XGBoost分类器，将准确率提高到80%。这两种模型都使用Tfidf向量作为输入，其中包含预处理后的单数
浏览 0提问于2016-06-18得票数 5
1回答
如何使用机器学习在仅有交通量作为输入的时间序列预测上创建良好的功能？
python、machine-learning、time-series、forecasting、feature-engineering
所以我有一个只有交通量的时间序列。我做过FB预言家和神经预言家。它们工作得很好，但我想用机器学习来做一些事情。到目前为止，我遇到了试图创建我的功能的问题。使用经典的年、月等日期并不能给我带来好的结果。我已经尝试使用shift，我可以得到前两天的平均值、最小值和最大值。然而，这是可行的，但我的问题是，当我试图提前几天预测时，该功能并不能真正起作用，因为我无法获得当天的平均值。我主要关心的是试图找到一个好的功能，我的预测未来的数据帧也有。其中包含了我的数据的图片。有人知道我会怎么做吗？
浏览 5提问于2021-09-30得票数 0
4回答
当精度比回忆更重要时，如何调整模型以提高精度？
machine-learning、scikit-learn、svm
机器学习分类器的性能可以通过各种度量标准来衡量，比如精度、召回和分类精度等等。
给定这样的代码：
clf = svm.SVC(kernel='rbf')
clf.fit(X_train, y_train)
fit函数试图优化的指标是什么？
当精度比回忆更重要时，如何调整模型以提高精度？
浏览 3提问于2015-05-01得票数 9
1回答
基于过去值和未来值的每个时间序列步骤的二进制分类
classification、keras、time-series、lstm
我目前正面临一个机器学习问题，我已经到了需要一些帮助才能继续工作的地步。
我有各种时间序列的位置(x，y，z)数据跟踪传感器。我开发了更多的功能。例如，我对整个3D空间进行了栅格化，并计算了每个时间步骤的cell_x、cell_y和cell_z。时间序列本身具有可变的长度。
我的目标是建立一个模型，用标签0或1 (基于过去和未来值的二进制分类)对每个时间步骤进行分类。因此，我有很多培训时间序列，其中标签已经设置。
有一件事可能很成问题，那就是数据中很少有1's标签(例如，800个样本中只有3个用1标记)。
如果有人能在正确的方向上帮助我，那就太好了，因为有太多可能的问题：
错误的超参数
浏览 0提问于2018-05-08得票数 9
1回答
基于树的算法需要什么特征工程？
feature-selection、decision-trees、xgboost、gradient-descent、feature-engineering
我理解数据卫生，这可能是最基本的特性工程。这意味着确保所有数据都正确加载，确保N/As被视为一个特殊值，而不是一个介于-1和1之间的数字，并正确地标记您的分类值。
在过去，我做了大量的线性回归分析。因此，特征工程主要涉及：
使用log、指数、幂变换将特征转化为正确的标度。
乘性特征:如果你有高度和宽度，乘成面积。
选择特征:根据P值删除特征
但是，对于LightGBM (和随机森林)来说，这些特性的规模似乎并不重要，因为可排序的项目是有序的，然后是随机的二分法。特征的交互并不重要，因为其中一个弱分类器应该找到它，如果它是重要的。而特征选择并不重要，因为如果效果很弱，那么这些分类器就会被削弱。
浏览 0提问于2017-08-08得票数 12
回答已采纳
2回答
如何在嵌入式系统中使用机器学习算法？
machine-learning、embedded、scikit-learn、microcontroller
我正在做一个项目，使用带加速度计的ARM cortex M0微控制器(自由- KL25Z)来检测(分类)人类活动。我打算使用机器学习来预测用户的活动。
问题是，cortex-m0不能处理训练或预测算法，所以我可能必须收集数据，将其训练到我的计算机中，然后以某种方式嵌入它，我真的不知道如何做到这一点。
我在互联网上看到一些帖子说，你可以生成一个权重矩阵，并将其嵌入到微控制器中，因此它将是一个直接的函数，基于您为此函数提供的数据来预测某事。这是正确的做法吗？
无论如何，我的问题是，我如何在微控制器中嵌入分类算法？
我希望你们能帮助我，给我一些指导，我有点迷路了。
提前谢谢你。
浏览 3提问于2016-05-09得票数 5
回答已采纳
2回答
确定数据集是否平衡
imbalanced-data
我正在学习培训集，并向我提供了一组有标签的客户数据，这些数据将客户分成两类:A或B。数据集还包含每个客户的性别、年龄和职业属性。数据集中的类的分布如下所示：
92%的客户为A类
8%的客户为B类
根据我的理解，这是一个不平衡的数据集，因为类的分布并不相等。但是，对于其他属性如何在确定此数据集是否平衡方面发挥作用，我感到困惑。例如，如果我的数据集具有相同的性别、职业和年龄分布，那么数据集是否仍然被认为是不平衡的，因为我试图训练我的模型来预测(A或B类)的值是不平衡的吗？
或者，如果我的类分布是相等的，那么我的数据集是否被认为是平衡的，而不管其他属性如何？例如，如果我的数据集有90%的女性客户和1
浏览 0提问于2021-10-04得票数 2
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频活动推荐
腾讯云开发者
