在制作预测模型时（特别是关于流失的电信），在训练集中的类之间进行1：1分割是必不可少的（实际分布更像是1:50）？在阅读其他人所做的事情时，似乎就是这种情况。但他们并没有将其作为一项要求。推荐什么？
答案 0 :(得分：0)
您的问题通常被称为“类不平衡”。是否以及如何影响结果取决于您使用的算法和评估指标。例如，逻辑回归算法和模型精度可能非常容易受到这个问题的影响。另一方面，简单的包络模型和模型AUC对于类不平衡更具弹性。我知道有五种可能的方法可以解决这个问题：
1）上采样：基本上人为增加稀有类的数量。当您的数据非常少但您确信它能够代表更广泛的人群时，这可能是首选解决方案。
2）羽绒采样：只留下丰富班级的一部分。当您拥有大量数据时，这是一个选项。
3）加权：告诉你的算法更加重视从稀有类中获得的信息。
4）Bagging：在这里，您随机对数据进行二次采样，并将“弱”学习者拟合到每个子样本中。之后，这些弱势学习者被汇总以创建一个最终预测。
5）提升：与装袋类似，但每个“弱”学习者对先前装配的学习者不是不可知的。相反，他们从最新的合奏中获取残差。
有一个really nice article here详细介绍了这些内容，包括python中的一些实用示例和another one here，其中更多关注class Foo {
private:
Bar myBar;
public:
Bar &getBar() { return myBar; };
};