我正在运行随机森林分类模型，最初将数据分为火车（80％）和测试（20％）。然而，预测有太多假阳性，我认为这是因为训练数据中有太多的噪音，所以我决定用不同的方法分割数据，这就是我的做法。
由于我认为高误报是由于列车数据中的噪音所致，因此我使列车数据具有相同数量的目标变量。例如，如果我有10,000行数据且目标变量是8,000（0）和2,000（1），我的训练数据总共为4,000行，包括2,000（0）和2,000（1），这样训练数据现在有更多的信号。
当我尝试这种新的分裂方法时，它通过将召回正数从14％提高到70％来预测方式更好。
如果我在这里做错了什么，我很想听听你的意见。我担心如果我的训练数据有偏差。
答案 0 :(得分：0)
当训练集中每个类的数据点数不等时，基线（随机预测）会发生变化。
根据嘈杂的数据，我认为你想要表示1级训练点的数量多于其他训练点数。这不是真正的噪音。这实际上是偏见。
例如：训练集中有10000个数据点，1级有8000个，0级有2000个。我可以一直预测0级并且已经达到80％的准确率。这导致0-1分类的偏差和基线不会是50％。
要消除此偏差，您可以有意识地平衡训练集，也可以通过赋予训练集中的点数成反比来改变误差函数。
答案 1 :(得分：0)
实际上，您所做的是正确的，此过程类似于“分层抽样” 。 在您的第一个模型中，该模型的准确性非常低，对于正类别（1），该模型没有在特征和目标之间获得足够的相关性。对于负类别，该模型也可能有些过拟合。这称为“高偏差-高方差情况。
“分层抽样”只不过是在从大量人口中抽取样本数据时，请确保所有类的比例大致相等，以使模型的训练假设更加准确和可靠。
在第二种情况下，模型能够将特征与目标之间的关系关联起来，正负类特征可以很好地区分。 消除噪声是数据准备的一部分，显然应该在将数据放入模型中之前完成。