我有一个数据集，我有360 samples的class 0和44 samples只有class 1。当我使用KNN model将k=3拟合到数据时，模型将大量样本错误分类为class 0。处理这种不均匀采样数据的最佳方法是什么？我可以设置k=1但是从我读过的内容会产生一种具有强烈效果的噪音。
查看CrossValidated上的this discussion，尤其是第三个答案。例如，提到的一种方法是通过“类大小的倒数”来衡量邻居。在你的k=3示例中，这意味着在两个最近邻居是class 0，一个最近邻居是class 1的情况下，标签将是class 1，因为1/44> 2/360。这只是一种方法，您可以在上面讨论的讨论中查看更多方法。我希望这有帮助！