我在高度非平衡数据集上面临机器学习任务。
由于最小的类只有很少的例子（大概是2百w.r.t到最大的20万）。我需要执行过采样（更准确地说，我会对较小的类进行过采样，并将较大的类重采样为示例的中间值，但这超出了本问题的范围。）
现在，我有两个选择：
1）随机样本（当然还有替换）来自最小班级的例子
2）重复n次来自最小班级的例子
关于哪种方法是最好的方法？
提前致谢。
答案 0 :(得分：0)
正如穆罕默德·阿塔尔所说，你可以试试你的哪种被管理的方法会更好。
此外，您可以尝试将“大”类拆分为（large_class / small_class）随机拆分！ 然后你训练一个分类器（你有小班的所有数据，只有大班的一部分）用于你的每一次分裂。
最后，您可以将所有分类器与bagging / boosting / neural_network / other_model结合使用。