如何在分类机器学习模型中增加真阳性？

Question

我是机器学习的新手 我有一个数据集，它具有高度不平衡的类（以负类为主），包含超过2K的数字特征，目标是[0,1]。我已经训练了物流回归，虽然我得到了89%的准确率，但从混乱矩阵中，发现模型的真正性很低。下面是我的模型的分数

准确度得分：0.8965989500114129

精准度得分：0.3333333333333

召回分数：0.0295454545454545

F1分：0.05427974947807933

我如何才能增加我的真正积极性？我应该使用不同的分类模型吗？

我尝试过PCA，并将数据表示为2个组件，它将模型精度提高到90%（近似），但真阳性率再次降低

Answer 1

你的数据集有多大？我们在这里谈几排？在

你的数据集是不平衡的，因此对于一个简单的分类算法来说，大多数时候预测“多数类”是很正常的，并且给你90%的准确率。你能收集到更多的数据，其中会有更多的正面例子吗。在

或者，尝试过采样/欠采样。看看有没有帮助。在

当预测到错误的类时，也可以使用该算法的惩罚版本来施加惩罚。这可能会有帮助。在