为什么是上位取样而不是下位取样？[不公开]

Question

已关闭。 这个问题不符合 堆栈溢出指南. 目前不接受回答。

---

想改进这个问题？ 请更新问题，使之成为 题外话 为Stack Overflow。

已关闭 上月.

改进这个问题

我有一个191个样本的数据，并创建了一个逻辑回归。我首先使用原始数据运行了模型，然后进行了上采样。

1. 为什么要先进行上采样再进行下采样，或者同时进行上采样和下采样。
2. 如果upsampling产生了过度拟合的问题，那么它可以用数据的缩放来处理。
3. 在向上取样或其他取样之后，有哪些参数是我必须研究的，以便我继续进行另一个取样，例如向下取样或上下取样？

我恳请有人能帮助我理解上述问题。

Answer 1

1. 下采样总是意味着信息的损失，这就是为什么一般情况下最好避免下采样。
2. 缩放实际上是最好的选择。通常情况下，数据是上采样的，因为与大多数数据相比，它在数据中的代表性不足。由于很多算法都试图将经验风险--误分类的概率--降到最低，所以他们更多关注的是多数数据。upsamplingdownsampling的原因是比，因为要么是训练数据中的代表性不强，要么是少数派数据的误分类成本要高得多，比如在预测维护中。纠正这种情况的最好方法其实是成本矩阵。但是，由于不少算法并没有一个成本函数的外在机理，upsamplingdownsampling经常被用作近似。因此，只有在采样过程中可以引入额外的 "噪声 "时，才会首选上采样。
3. 标准验证