响应变量（标签）$B$可以是$0$或者$1$.

在训练集中，$B_i = 1$是极其罕见的事件，仅$0.26\%$发生。这使得在测试数据集上预测这个标签成为一个难题。

• 我曾经SMOTE从一些人的训练集中抽样$1.55 \times 10^5$行以获得完全平衡的集合$620$行。

  balanced.df <- SMOTE(B ~ ., df, perc.over = 100, perc.under = 200)

• randomForest和$1000$树用于拟合模型，如图所示：

  randomForest.Fit <- randomForest(B ~ ., data = balanced.df, ntree = 1000)

• 为了制作验证集，$2000$行是随机抽样的，没有从数据集中重复。

实际频率$B_i$在验证集中是：

   0    1 
 1998   2

预测集中的那些是：

   0    1 
 1836  164

结果似乎很有希望，但可能有点太多了。此外，减少误报的百分比也很重要。

我的问题是：

• 您认为数据偏差对验证结果的影响有多严重？

• 通过创建带有偏见的任意数据集再次验证是否有意义，例如通过选择更多$B_i = 1$在验证集中？

• 还有哪些反映预测“准确性*”的指标/验证技术？

*术语准确性是在一般意义上使用的。