背景

我将从一些背景开始，以帮助您自己研究解决方案，然后添加一些细节。unbalanced classes您所说的“有偏见的数据”在数据科学世界中更为常见。“客户流失率”也经常被称为churn。

指标

正如许多Ng'ian 奉献者无疑会指出的那样，您需要从设计一组unbalanced classes比accuracy. 准确性在测试不平衡类别的预测质量方面做得很差，例如，如果对发生在 0.05% 人群中的癌症进行癌症测试，如果它总是预测“没有癌症”，则准确率为 99.95%。我建议将F1-score用作交叉验证模型的关键指标。是 和的F1-score调和平均值，precision并且recall往往适用于平衡和不平衡类。还有其他调和平均数，在特殊情况下可能会起作用，所以要注意这些。

您还应该了解其他指标。ROC-AUC 可能在您应该了解和了解的其他指标列表的顶部。

模型选择和交叉验证

开始分类任务Logistic Regression是一个很棒的策略。我强调总是对回归任务使用线性回归，对分类任务使用逻辑回归。线性模型提供了对问题的重要洞察力feature importance并有助于构建问题。

但是在这个初步调查之后，您应该转向其他更复杂的模型。许多人会给你一连串的尝试。您也许应该专注于一两个并开发模型，同时非常仔细地关注bias并测试您的模型variance。一旦你有了更好的直觉，完整的可能是不必要的，但它是新手开始的好cross-validate地方。bias-variance decomposition

我建议从 an 开始SVM并最终尝试 a random forestornaive Bayes模型，因为这将遍历多种模型类型（类比、决策树、装袋、贝叶斯）。

最后......不平衡的类

有两种处理不平衡类的典型方法。这些包括对少数类进行过采样，以及通过更改超平面 (SVM)或更改先验 (Bayes)来修复模型。

如果您搜索“ ”，则会有很多关于此问题和解决方案的摘要。但是，尽管有所有文献，这仍然是一个棘手的问题。祝你好运...unbalanced classes

希望这可以帮助！

虽然有众所周知的技术，如处理不平衡类的下采样（这在金融行业中很常见，破产的发生率约为 1-3%），但我认为在您的情况下，模型类型将更为重要。如果您将解释能力优先于预测能力，或者如果您的数据集很小，那么逻辑回归就可以了。但是，如果你有一个大数据集（你有）并且你更关心预测（听起来像你做的那样），那么你应该选择更高级的模型类型。

一些很好的例子：随机森林、梯度提升和支持向量机。基于树的方法（如梯度提升和随机森林）能够识别变量交互，如果您使用逻辑回归，您会手动/自己发现这些交互。这些模型可以在 R（插入符号）、Python（scikit-learn）或 Java/Scala（Spark 的 ML lib 或 Weka）中轻松访问。