我是堆栈溢出和预测建模的新手。我试图根据光谱学预测叶片大小。然而，叶片大小（连续变量）取决于植物的生命形式（在我的例子中，3个分类）。这些课程严重失衡。最重要的是，我想知道光谱学如何预测每个类别中的叶片大小。目前，我不确定如何拆分我的数据集，我在网上找到的大多数例子都是严格的分类问题，我不确定它是否适用于这种情况。我是否必须为每个班级构建一个单独的训练集，或者这是对训练集进行二次取样（向下，向上等）然后执行回归的正确方法？我正在使用R上的插入包，因为我也正在构建机器学习方法的集合，并且插入符号似乎是最用户友好的方式。 我的数据集包括1647个预测变量和1500个观测值。到目前为止，我正在为每个类构建单独的模型，但它似乎不是正确的方法。
var str = "Mr. Bond is agent 0070".replace(/0(\d+)/, "$1");
console.log(str)答案 0 :(得分：1)
类不平衡仅适用于分类设置（您处于回归模式）;它与类（结果，即您要预测的内容）有关，而不是与您的情况中的功能有关。教科书示例是当您遇到二进制分类问题（0/1）时，例如，99％的样本属于0级，并且您需要采用特定技术以防止分类器获得99％的准确率通过天真地预测0级的所有内容，即忽略1级（通常恰好是感兴趣的类别，例如故障，患者等）。
以上任何内容均不适用于您的情况。
话虽如此，根据life_form功能的值将数据集分解为较小的数据集并不是一种无效的方法，一般来说（但不是由于类不平衡，这里不存在）。确定是否应该这样做的最安全的方法是很好的反复试验：尝试一下，并尝试使用整个数据集。原则上，没有理由认为典型的ML算法无法处理这些特征中的这种不平衡。