我正在玩KDD CUP 1998数据集，我有几个问题，我希望有些人可以帮我回答。对于那些不熟悉这个数据集的人来说，它基本上是一个人员列表，他们是否捐赠给慈善机构（包括他们捐赠的金额）。
问题1： 数据集有大约95,000条记录，但只有5％属于1级（捐赠），其余为2级。在培训时如何处理这一问题以避免过度拟合？
问题2： 我想以两种方式解决这个问题。首先，确定谁将捐赠谁将不捐款（也许我将使用逻辑回归和随机森林分类器？）然后我想确定一个人捐赠多少..有关我可以尝试哪些方法的任何想法？
谢谢！
答案 0 :(得分：0)
1）https://stats.stackexchange.com/questions/20948/best-way-to-handle-unbalanced-multiclass-dataset-with-svm 任何现代ML lib都会对类/样本(sklearn for example)赋予权重，因此您可以在频率较低的类上惩罚错误。或者，您可以对数据进行重新采样，使其变得更加平衡（在集合中多次从较不频繁的类复制对象，或删除更频繁类的对象）。
2）只需在决策树上尝试不同的分类器，如SVM，RF，AdaBoost，并选择一个在测试集上获得最佳结果的分类器。