我是堆栈溢出和预测建模的新手。我试图根据光谱学预测叶片大小。然而，叶片大小（连续变量）取决于植物的生命形式（在我的例子中，3个分类）。这些课程严重失衡。最重要的是，我想知道光谱学如何预测每个类别中的叶片大小。目前，我不确定如何拆分我的数据集，我在网上找到的大多数例子都是严格的分类问题，我不确定它是否适用于这种情况。我是否必须为每个班级构建一个单独的训练集，或者这是对训练集进行二次取样（向下，向上等）然后执行回归的正确方法？我正在使用R上的插入包，因为我也正在构建机器学习方法的集合，并且插入符号似乎是最用户友好的方式。我的数据集包括1647个预测变量和1500个观测值。到目前为止，我正在为每个类构建单独的模型，但它似乎不是正确的方法。
library(caret)
library(dplyr)
#data
str(df,10)
'data.frame': 1648 obs. of 1904 variables:
$ life_form: Factor w/ 3 levels "","herbaceous",..
$ leaf_size: num 120.4 73.6 85.4 60.1 108.7 ...
$ X601 : num 0.0847 0.1065 0.1286 0.084 0.0967 ...
$ X602 : num 0.0844 0.1062 0.1284 0.0837 0.0964 ...
$ X603 : num 0.0841 0.1058 0.1281 0.0833 0.0961 ...
$ X604 : num 0.0837 0.1053 0.1277 0.0829 0.0957 ...
$ X605 : num 0.0833 0.1049 0.1273 0.0824 0.0953 ...
$ X606 : num 0.0828 0.1044 0.1269 0.0819 0.0948 ...
$ X607 : num 0.0823 0.1039 0.1265 0.0814 0.0943 ...
$ X608 : num 0.0818 0.1033 0.1259 0.0809 0.0937 ...
....
$ X2500 : num 0.0853 0.1072 0.129 0.0847 0.0972 ...
df %>%
group_by(life_form) %>%
summarise(n = n())
# A tibble:
1 "" 4
2 grass 564
3 herbaceous 227
4 woody 853
#Filtering per class
woody = df %>% dplyr::filter(life_form =="woody")
# Data partition
index <- createDataPartition(woody$leaf_size, p = 0.7, list = FALSE)
train_data <- woody[index, ]
test_data <- woody[-index, ]
control = trainControl(method ="cv",number= 10, repeat=5, selectionFunction = "oneSE")
set.seed(1234)
mod1 <- train(tam_folha ~ ., data = train_data,
method = "pls",
metric = "RMSE",
tuneLength = 10,
trControl = control)
### Repeat to other life form classes
你似乎有点困惑;显然，你没有阶级不平衡问题。
类不平衡仅适用于分类设置（您处于回归模式）;它与类（结果，即你想要预测的结果）有关，而与你的情况不同。教科书示例是当您遇到二进制分类问题（0/1）时，例如，99％的样本属于0级，并且您需要采用特定技术以防止分类器获得99％的准确率通过天真地预测0级的所有内容，即忽略1级（通常，它恰好是感兴趣的类，代表例如故障，患者等）。
以上任何内容均不适用于您的情况。
话虽如此，根据life_form功能的值将数据集分成较小的数据集并不是一种无效的方法，一般来说（但不是由于类不平衡，这里不存在）。确定是否应该这样做的最安全的方法是很好的反复试验：尝试一下，并尝试使用整个数据集。原则上，没有理由为什么典型的ML算法不能处理这些特征中的不平衡。