我正在使用sklearn分类器，各种分类器，但主要集中在决策树上。我认为我有偏见的问题。这是我正在使用的，
一套25k的培训记录（总数据约为500k） 提供的95％的实际数据是错误的，因为客户通常将此数据标记为错误
25k的培训记录包括95％的错误和5％的真实
在训练和测试时，根据我使用的功能，我的准确度在85％到94％之间。有时即使只有两个功能提供90％的准确性，而20个功能（我知道很重要）增加到94％。我认为这是不正确的，我的感觉是，由于我提供的数据，存在一些偏向于错误的偏见。我是否应该在我的训练集中包含更多记录为“true”，也许使用30k记录，从我们的实际数据中添加另一组5k是“真实”值？
答案 0 :(得分：1)
有可能您的所有测试数据都是假的，在这种情况下，总是选错，您可以获得95％的有效性。
您有类不平衡问题。这在许多现实场景中都是典型的。例如，HIV阳性病例很少发生HIV阴性，癌细胞或欺诈交易。你需要看看False Negatives与True Positives的成本是多少能够将你的算法调整为优于效率等等。
我会做的几件事：