克利夫兰心脏病数据集 - 无法描述 class
Cleveland heart disease dataset - can’t describe the class
我正在使用 Cleveland Heart Disease dataset from UCI 进行 class 化，但我不理解 target 属性。
数据集描述说值从 0 到 4 但属性描述说：
0: < 50% coronary disease
1: > 50% coronary disease
我想知道如何解释这个，这个数据集是多 class 还是二元 class 化问题？我必须将值 1-4 分组为单个 class（存在疾病）吗？
这基本上意味着存在不同的心脏病已用 1、2、3、4 表示，而没有则简单地用 0 表示。现在，在这个数据集上进行的大部分实验都是基于二进制 classification，即存在（1、2、3、4）与不存在（0）。这种行为的一个原因可能是 class 不平衡问题（0 有大约 160 个样本，其余 1、2、3 和 4 构成另一半）和少量样本（总共只有大约 300 个样本）。因此，考虑到我们的约束，将此数据视为二进制 class 化问题而不是 multi-class class 化是有意义的。
这个数据集是多class还是二进制class化问题？
无需更改，数据集即可用于 multi-class class化问题。
并且我必须将值 1-4 分组为单个 class（存在疾病）吗？
是的，您必须这样做，只要您有兴趣将数据集用于二进制 class化问题。
如果你正在处理不平衡的数据集，你应该使用重采样技术来获得更好的结果。在不平衡数据集的情况下，classifier 总是 "predicts" 最常见的 class，而不对特征进行任何分析。
你应该试试 SMOTE，它是在现有元素的基础上为少数 class 合成元素。它从少数 class 中随机挑选一个点，并计算该点的 k 个最近邻居。
我还使用了交叉验证 K 折方法和 SMOTE，交叉验证确保模型从数据中获得正确的模式。
在衡量模型性能时，准确度指标误导，即使有更多的误报，它也显示出很高的准确度。使用 F1 分数和 MCC 等指标。
参考资料：
https://www.kaggle.com/rafjaa/resampling-strategies-for-imbalanced-datasets
我正在使用 Cleveland Heart Disease dataset from UCI 进行 class 化，但我不理解 target 属性。
数据集描述说值从 0 到 4 但属性描述说：
0: < 50% coronary disease
1: > 50% coronary disease
我想知道如何解释这个，这个数据集是多 class 还是二元 class 化问题？我必须将值 1-4 分组为单个 class（存在疾病）吗？
这基本上意味着存在不同的心脏病已用 1、2、3、4 表示，而没有则简单地用 0 表示。现在，在这个数据集上进行的大部分实验都是基于二进制 classification，即存在（1、2、3、4）与不存在（0）。这种行为的一个原因可能是 class 不平衡问题（0 有大约 160 个样本，其余 1、2、3 和 4 构成另一半）和少量样本（总共只有大约 300 个样本）。因此，考虑到我们的约束，将此数据视为二进制 class 化问题而不是 multi-class class 化是有意义的。
这个数据集是多class还是二进制class化问题？
无需更改，数据集即可用于 multi-class class化问题。
并且我必须将值 1-4 分组为单个 class（存在疾病）吗？
是的，您必须这样做，只要您有兴趣将数据集用于二进制 class化问题。
如果你正在处理不平衡的数据集，你应该使用重采样技术来获得更好的结果。在不平衡数据集的情况下，classifier 总是 "predicts" 最常见的 class，而不对特征进行任何分析。
你应该试试 SMOTE，它是在现有元素的基础上为少数 class 合成元素。它从少数 class 中随机挑选一个点，并计算该点的 k 个最近邻居。
我还使用了交叉验证 K 折方法和 SMOTE，交叉验证确保模型从数据中获得正确的模式。
在衡量模型性能时，准确度指标误导，即使有更多的误报，它也显示出很高的准确度。使用 F1 分数和 MCC 等指标。
参考资料：
https://www.kaggle.com/rafjaa/resampling-strategies-for-imbalanced-datasets