我的训练数据集包含一个类的46071个示例和另一个类的33606个示例。这会导致分类器偏斜吗？ 我使用SVM但不想使用SVM的选项来处理偏斜的数据。
答案 0 :(得分：1)
如果分类类别没有大致相等的表示，数据集会出现偏差（我认为没有准确的值）。
您的数据集不是高度不平衡的数据集。无论如何，它可能会导致对多数（可能是无趣的）类的偏见，特别是使用准确性来评估分类器。
可以通过各种方式管理偏差的训练集。两种常用的方法是：
在数据级别a form of re-sampling，例如
在算法层面，调整各类的成本，以对抗阶级不平衡。
即使您不喜欢这种方法，使用SVM也可以更改类权重方案（例如 How should I teach machine learning algorithm using data with big disproportion of classes? (SVM)）。您可能更喜欢这样进行二次采样，因为这意味着由于使用了特定的子样本，结果没有变化。
值得注意的是（来自Issue on Learning from Imbalanced Data Sets）：
在某些领域（例如欺诈检测），类不平衡是 问题的内在因素：欺诈案例通常很少 与大量诚实使用设施相比。但是，类别不平衡有时会发生在没有的类别中 内在的不平衡。
当数据收集过程受限（例如，到期）时，就会发生这种情况 出于经济或隐私的原因），从而造成了人为的不平衡。
相反，在某些情况下，数据比比皆是，而且是为了 科学家决定选择哪些例子和数量。
此外，制造成本也可能存在不平衡 不同的错误，每个案例可能会有所不同。
所以这一切都取决于你的数据，真的！
进一步详情：