Train/Test 拆分之前或之后的欠采样

Undersampling before or after Train/Test Split

我有一个信用卡数据集，其中 98% 的交易是非欺诈交易，2% 是欺诈交易。

我一直在尝试在训练和测试拆分之前对多数 class 进行欠采样，并在测试集上获得非常好的召回率和精度。

当我仅在训练集上进行欠采样并在独立集上进行测试时，我的精度非常差，但召回率相同！

我的问题是：

我应该在分成训练和测试之前进行欠采样吗，这会扰乱数据集的分布并且不能代表现实世界吗？

或者上述逻辑是否仅在过采样时适用？

谢谢

如果您有机会收集更多数据，那可能是最好的解决方案。 （假设您已经尝试过这一步）

如果精度很差而召回率很好，这表明您的模型擅长将欺诈 class 预测为欺诈，但该模型对非欺诈造成混淆 class，大多数情况下，它会将非欺诈 class 预测为欺诈（如果您将 0 设置为多数 class 1 少数 class)。 这意味着您必须尝试降低大多数 class.

的欠采样率

通常欠采样/过采样只会在训练分割时进行，这是正确的方法。 然而，

  1. 在欠采样之前，请确保您的训练拆分与主数据集具有相同的 class 分布。 （拆分时使用分层）

  2. 如果您正在使用 python sklearn 库来训练您的 classifier 设置参数 class_weight='balanced'.

例如：

   from sklearn.linear_model import LogisticRegression
   Lr = LogisticRegression(class_weight='balanced')
  1. 尝试使用具有不同超参数的不同算法，如果模型欠拟合，则考虑选择 XGboost。

如果您在拆分之前进行欠采样，则测试拆分分布可能不会复制真实世界数据的分布。因此，人们通常会避免在拆分之前进行采样。