如果在不平衡二进制目标变量的情况下使用欠采样来训练模型，则预测方法在假设平衡数据集的情况下计算概率。如何将这些概率转换为不平衡数据的实际概率？转换参数/函数是在mlr包或其他包中实现的吗？例如：
a <- data.frame(y=factor(sample(0:1, prob = c(0.1,0.9), replace=T, size=100)))
a$x <- as.numeric(a$y)+rnorm(n=100, sd=1)
task <- makeClassifTask(data=a, target="y", positive="0")
learner <- makeLearner("classif.binomial", predict.type="prob")
learner <- makeUndersampleWrapper(learner, usw.rate = 0.1, usw.cl = "1")
model <- train(learner, task, subset = 1:50)
pred <- predict(model, task, subset = 51:100)
head(pred$data)
答案 0 :(得分：4)
[Dal Pozzolo et al., 2015]提出了一种非常简单但功能强大的方法。
在下采样的情况下，它专门用于解决校准问题（即将分类器的预测概率转换为不平衡情况下的非线性概率）。
您只需使用以下公式更正预测概率p_s：
p = beta * p_s / ((beta-1) * p_s + 1)
其中beta是欠采样后多数类实例的数量与原始训练集中多数类别实例的比率。
其他方法 已经提出了不特别关注下采样偏差的其他方法。其中最受欢迎的是：
它们都在R
中实现