我正在使用Cleveland Heart Disease dataset from UCI 进行分类，但是我不理解 target 属性。
数据集描述说值从0到4，但属性描述说：
0：<50％冠心病
1：> 50％的冠心病
我想知道如何解释，这个数据集是多类还是二进制分类问题？我是否必须将值1-4归为一类（是否存在疾病）？
答案 0 :(得分：0)
从根本上说，不同心脏病的存在已用1、2、3、4表示，而无心脏病简单地用0表示。现在，对该数据集进行的大多数实验都基于二进制分类，即存在（1、2、3、4）与不存在（0）。出现这种行为的一个原因可能是类别不平衡问题（0个样本约有160个，其余的1、2、3和4构成了另一半）和少量样本（仅约300个样本）。因此，考虑到我们的约束，将这些数据视为二进制分类问题而不是多分类分类是有道理的。
答案 1 :(得分：0)
该数据集是多类还是二进制分类问题？
无需更改，该数据集即可用于多类分类问题。
我是否必须将1-4的值归为一类（疾病存在）？
是的，只要您有兴趣将数据集用于二进制分类问题，就必须这样做。
答案 2 :(得分：0)
如果您正在处理不平衡的数据集，则应使用重新采样技术以获得更好的结果。如果数据集不平衡，分类器将始终“预测”最常见的类，而无需对特征进行任何分析。
您应该尝试SMOTE，它是基于少数类的综合类。它可以从少数族裔中随机选择一个点，并为此点计算k个最近邻。
我还使用了交叉验证K折方法和SMOTE，交叉验证可确保模型从数据中获取正确的模式。
在测量模型的性能时，准确性度量会产生误导，即使有更多的误报，它也显示出很高的准确性。使用F1得分和“我的客户中心”等指标。
参考文献：
https://www.kaggle.com/rafjaa/resampling-strategies-for-imbalanced-datasets