我正在处理大约 30 个类别的多类分类问题。
这个问题有严重的类不平衡：
我不希望分类模型是虚拟的并预测大多数示例中最常见的类，因此，我class_weight='balanced'在我LogisticRegression的 from sklearn 中使用。但是，在这种情况下，算法预测的类大多是频率较低的类。我理解模型以某种方式过度拟合它们，因为它为这些类中的每个样本分配了非常高的权重。
另一方面，如果我不应用类别权重，模型会预测最常见的类别。
有没有办法解决这个问题？有没有办法确保模型预测每个类别的样本比例大致相同？
可能有许多不同的策略，但当不平衡如此严重时，这是一个难题。
正如您所注意到的，如果没有任何校正，模型可能会忽略最小的类。然而，如果数据是平衡的，强制分类权重肯定是一种过于强烈的修正。中间立场是在拟合模型之前自己重新采样训练集实例：通过尝试不同的方法对大类进行欠采样和/或对小类进行过采样，您应该能够在两个极端之间找到最佳权衡（使用单独的验证集以确定最佳组合）。
有没有办法确保模型预测每个类别的样本比例大致相同？
也许我误解了，但这看起来是个坏主意：如果真实比例不相等，那么模型也不应该预测相等的比例。理想的场景是模型每次都预测正确的标签，这意味着预测每个类别的真实比例。
在更简单的配置中分析性能也可能很有用，例如通过选择一些“平均大小”类并观察分类器仅在它们之间进行区分的程度。分类器越难正确预测，它越依赖于基本的类比例，因为它不知道更好。