使用SMOTE后，不平衡的数据集导致较高的误报率

Question

我正在研究具有以下特征的二元分类不平衡营销数据集：

1. 否：是的比例是88:12（没有购买该产品，而是购买了该产品）
2. 〜4300个观测值和30个特征（9个数字和21个分类）

我将数据分为火车（80％）和测试（20％）集，然后在火车集上使用了standard_scalar和SMOTE。 SMOTE将火车数据集的“否：是”比率设为1：1。然后，我运行了一个逻辑回归分类器，如下代码所示，通过应用不带SMOTE的逻辑回归分类器，测试数据的召回得分为80％，而测试数据的召回得分仅为21％。

使用SMOTE，召回率提高了很多，但是误报率很高（请参见混淆矩阵的图片），这是一个问题，因为我们最终将针对许多假（不太可能购买）客户。有没有办法在不牺牲召回率/真实肯定的情况下减少误报？

#Without SMOTE
clf_logistic_nosmote = LogisticRegression(random_state=0, solver='lbfgs').fit(X_train,y_train)

#With SMOTE  (resampled train datasets) 
clf_logistic = LogisticRegression(random_state=0, solver='lbfgs').fit(X_train_sc_resampled, y_train_resampled)

Answer 1

即使我有一个类似的问题，误报率也很高。在那种情况下，我在进行特征工程后就应用了SMOTE。

然后我在进行特征设计之前就使用了SMOTE，并使用了SMOTE生成的数据来提取特征。这样，它工作得很好。虽然，这将是一个较慢的方法，但是它对我有用。让我知道您的情况。