机器算法验证 - 如何减少误报的数量？ - 吾爱随笔录

我正在尝试解决称为行人检测的任务，并且我在两类正面（人，负面）-背景上训练二元分类器。

我有数据集：

阳性数= 3752
负数= 3800

我使用 train\test split 80\20 % 和RandomForestClassifier form scikit-learn 参数：

RandomForestClassifier(n_estimators=100, max_depth=50, n_jobs= -1)

我得到分数：95.896757 %

对训练数据进行测试（完美运行）：

true positive:  3005
false positive:  0
false negative:  0
true negative:  3036

测试测试数据：

true positive:  742
false positive:  57
false negative:  5
true negative:  707

我的问题是如何减少误报的数量（背景归类为人）？另外，为什么我的误报错误比误报多？

我尝试使用class_weight参数，但在某些时候性能会下降（如您在 class_weight= {0:1,1:4} 中看到的那样）。

class_weight= {0:1,1:1}
true positive:  3005
false positive:  0
false negative:  0
true negative:  3036

true positive:  742
false positive:  55
false negative:  5
true negative:  709
score: 96.029120 %

class_weight= {0:1,1:2}
true positive:  3005
false positive:  0
false negative:  0
true negative:  3036

true positive:  741
false positive:  45
false negative:  6
true negative:  719
score: 96.624752 %

class_weight= {0:1,1:3}
true positive:  3005
false positive:  0
false negative:  0
true negative:  3036

true positive:  738
false positive:  44
false negative:  9
true negative:  720
score: 96.492389 %

class_weight= {0:1,1:4}
true positive:  3005
false positive:  13
false negative:  0
true negative:  3023

true positive:  735
false positive:  46
false negative:  12
true negative:  718
score: 96.161482 %

class_weight= {0:1,1:5}
true positive:  3005
false positive:  31
false negative:  0
true negative:  3005

true positive:  737
false positive:  48
false negative:  10
true negative:  716
score: 96.161482 %

class_weight= {0:1,1:6}
true positive:  3005
false positive:  56
false negative:  0
true negative:  2980

true positive:  736
false positive:  51
false negative:  11
true negative:  713
score: 95.896757 %

class_weight= {0:1,1:7}
true positive:  3005
false positive:  87
false negative:  0
true negative:  2949

true positive:  734
false positive:  59
false negative:  13
true negative:  705
score: 95.234944 %

另外值得注意的是，RandomForest 似乎不受数据集不平衡的影响：

位置= 3752 否定= 10100

class_weight= {0:1,1:1} 真阳性：3007 假阳性：0 假阴性：0 真阴性：8074

true positive:  729
false positive:  71
false negative:  16
true negative:  1955
score: 96.860339 %

class_weight= {0:1,1:2}
true positive:  3007
false positive:  0
false negative:  0
true negative:  8074

true positive:  728
false positive:  59
false negative:  17
true negative:  1967
score: 97.257308 %

class_weight= {0:1,1:3}
true positive:  3007
false positive:  0
false negative:  0
true negative:  8074

true positive:  727
false positive:  58
false negative:  18
true negative:  1968
score: 97.257308 %