构建模型，在两个 类 之间的差异太大时做出决策
Building model that makes a decision where difference between two classes is too large
目前，我正在构建一个 ML 模型，用于根据某些条件使用 classifier 做出决策。顺便说一句，我收集的数据太不正常了：假设我的数据被class化为A和B，class A的记录比class B约1:300.
有什么方法可以处理这个模型吗？我尝试了很多不同的方法，但结果都是过拟合。
你表述为太不正常的问题在machine-learning、data-mining中称为不平衡数据集，统计数据，...社区。这是 类 未被平等代表的情况。
这种情况并不少见。事实上，在许多分类问题中，感兴趣的事件并不经常发生，这就是它感兴趣的原因。因此，与其他标签相比，此事件发生的标签很少见。
有很多不同的方法来处理不平衡的数据集，在大多数情况下，试图使它平衡。 Under-sampling 和 Over-sampling 是典型的方法。通常，这两者的结合可以得到更好的结果。
第一个 Google 建议给了我这个：
目前，我正在构建一个 ML 模型，用于根据某些条件使用 classifier 做出决策。顺便说一句，我收集的数据太不正常了：假设我的数据被class化为A和B，class A的记录比class B约1:300.
有什么方法可以处理这个模型吗？我尝试了很多不同的方法，但结果都是过拟合。
你表述为太不正常的问题在machine-learning、data-mining中称为不平衡数据集，统计数据，...社区。这是 类 未被平等代表的情况。
这种情况并不少见。事实上，在许多分类问题中，感兴趣的事件并不经常发生，这就是它感兴趣的原因。因此，与其他标签相比，此事件发生的标签很少见。
有很多不同的方法来处理不平衡的数据集，在大多数情况下，试图使它平衡。 Under-sampling 和 Over-sampling 是典型的方法。通常，这两者的结合可以得到更好的结果。
第一个 Google 建议给了我这个：