sklearn Random Forest分类器可以通过树调整样本大小，来处理类不平衡吗？

Question

也许这太啰嗦了。关于sklearn的随机森林的简单问题：

对于真/假分类问题，在sklearn的随机森林中是否有一种方法可以指定用于训练每棵树的样本大小，以及真假观察的比例？

更多详情如下：

---

在随机森林的R实现中，名为randomForest，有一个选项sampsize()。这允许您根据结果平衡用于训练每棵树的样本。

例如，如果您试图预测结果是真还是假，并且训练集中90％的结果都是假的，您可以设置sampsize(500, 500)。这意味着每棵树将在训练集中随机抽样（替换）进行训练，其中500真实和500错误观察。在这些情况下，我发现模型在使用50％截止值时可以更好地预测真实结果，从而产生更高的kappas。

在sklearn实现中似乎没有这样的选项。

• 有没有办法在sklearn中模仿这个功能？
• 根据Kappa统计数据简单地优化截止是否会达到类似的结果，或者在这种方法中丢失了什么？

Answer 1

在版本0.16-dev中，您现在可以使用class_weight="auto"来接近您想要做的事情。这仍将使用所有样本，但它会重新加权，以便类平衡。

Answer 2

阅读完文档后，我认为答案肯定是否定的。感谢任何增加功能的人。如上所述，R包randomForest包含此功能。

Answer 3

据我所知，scikit-learn森林采用自举，即每个树训练的样本集大小总是大小相同，并通过随机抽样替换原始训练集。

假设你有足够多的训练样本，为什么不平衡它本身以保持50/50阳性/阴性样本，你将达到预期的效果。 scikit-learn为此提供了功能。