考虑一个二元分类场景，其中 True 类 (5%) 与 False 类 (95%) 严重失衡。我的数据集包含数字数据。我正在使用 SKLearn 并尝试一些不同的算法，例如梯度提升分类器 (GCB)、随机森林 (RDC) 和支持向量分类器 (SVC)。由于不平衡的方面，我在所有方法（fit、score、confusion_matrix 等）中使用“sample_weight”并使用以下权重数组填充它，其中，True 值被赋予 20 值，False 值被赋予值为 1。

sample_weight = np.array([20 if i == 1 else 1 for i in y_test])

这应该是为了“平衡”分类。首先这是一个正确的方法吗？有什么影响？用真实数据增加样本量是不可能的。过度拟合将是另一个潜在的选择，但由于类之间存在显着差异，我想从“sample_weight”方法开始。

现在考虑这些结果：

GCB - 准确率 71%，准确率 74%，召回率 69%，F1 分数 71%

RFC - 准确率 67%，准确率 82%，召回率 47%，F1 分数 60%

SiVC - 准确率 63%，准确率 74%，召回率 45%，F1 分数 56%

GCB 在准确性方面优于其他算法。RFC 精度。Recall 在 RFC 和 SVC 中都非常糟糕，并且在 3 种情况下价值最小。

我的下一个问题主要是关于召回。假阴性是相当大的——如召回所示（在 SVC 案例中，55% 的实际 True 值被预测为 False）；这是因为在原始数据集中有更多的 False 值吗？

在所有这些中，样本权重在哪里出现？样本权重不应该减轻吗？或者无论权重如何，类不平衡仍然会影响分类吗？在某些情况下比其他情况下更多（例如 RFC 和 SVC 比 GCB 更多）？