机器学习实战中的心得体会
1.如何处理非均衡分类代价？
如题目所讲，处理非均衡的分类代价的意思也就是当不同的分类预测正确或者错误时，其损失函数的代价是不同的； 当真实值为+1，预测值为+1时，其代价值和真实值为-1，预测值为-1的代价值是不同的，在我们理解范围内，我们基本上认为这两个预测都是正确的，其代价值应该是一样的，但是分类的不同得到的收益是不同的，其代价函数也是不同的。 上文中说道：分类真确和错误的代价值是不同的，得到的收益也是不同的，在选择分类器时，我们可以U型安泽最小代价的分类器，而不是只看错误率或者正确率来选择分类器 adaboost中，我们可以利用代价函数来调整分类错误的样本的权重向量D；在朴素贝叶斯中，我们可以选择最小期望代价而不是最大概率的类别作为最后的结果。在SVM中，在代价函数中对于不同的类别选择不同的参数C。上述做法会给予较小的类更多的权重，在训练时，小类中只允许更少的错误。
2. 处理非均衡问题的数据抽样方法
上一篇：
通过多线程提高代码的执行效率例子
下一篇：
跨域问题，前后端该怎么做