"All zero class" 神经网络预测
"All zero class" prediction by Neural Network
在涉及识别欺诈交易的class化问题中，我使用堆叠式自动编码器降低了数据的维度（28 列）[Logit 在 statsmodels 中检测到完全准分离] (28->15->5) 并将压缩数据（5 列）馈入具有两个隐藏层的神经网络，每个隐藏层具有 10 个节点和 'relu' 激活函数。我训练了 100 个 epochs 的模型（AUC 指标没有超过 0.500，几个 epochs 后 train loss 变得恒定）。模型预测测试集的所有记录都是非欺诈性的（0 class) 并产生了一个像这样的混淆矩阵：
混淆矩阵：
[[70999 0]
[115 0]]
准确度分数：0.9983828781955733
有人可以解释这个结果背后的问题并提出可行的解决方案吗？..
由于您的全零 class 预测准确率超过 99%，因此训练集中的欺诈案例百分比低于 1%
通常情况下，如果欺诈案例很少见，则模型不会对欺诈案例给予足够的重视以进行良好的预测。
要解决此问题，您可以增加成本以惩罚大多数人 class，或增加权重以惩罚大多数人 class 或使用 class 平衡方法，例如 SMOTE
在涉及识别欺诈交易的class化问题中，我使用堆叠式自动编码器降低了数据的维度（28 列）[Logit 在 statsmodels 中检测到完全准分离] (28->15->5) 并将压缩数据（5 列）馈入具有两个隐藏层的神经网络，每个隐藏层具有 10 个节点和 'relu' 激活函数。我训练了 100 个 epochs 的模型（AUC 指标没有超过 0.500，几个 epochs 后 train loss 变得恒定）。模型预测测试集的所有记录都是非欺诈性的（0 class) 并产生了一个像这样的混淆矩阵：
混淆矩阵： [[70999 0] [115 0]] 准确度分数：0.9983828781955733
有人可以解释这个结果背后的问题并提出可行的解决方案吗？..
由于您的全零 class 预测准确率超过 99%，因此训练集中的欺诈案例百分比低于 1%
通常情况下，如果欺诈案例很少见，则模型不会对欺诈案例给予足够的重视以进行良好的预测。
要解决此问题，您可以增加成本以惩罚大多数人 class，或增加权重以惩罚大多数人 class 或使用 class 平衡方法，例如 SMOTE