为什么上采样而不是下采样？ [关闭]

Question

我有 191 个样本的数据并创建了逻辑回归。我首先使用原始数据运行模型，然后进行上采样。 我无法理解的是：-

1. 为什么要在降采样之前进行升采样，或者同时进行升采样和降采样。
2. 如果上采样造成过拟合问题，则可以通过缩放数据来处理。
3. 在上采样或任何其他采样之后，我必须查看哪些参数才能继续进行另一次采样，例如下采样还是上下采样？

我恳请有人帮助我理解上述内容。

Answer 1

1. 下采样总是意味着信息的丢失，这就是为什么通常最好避免下采样的原因。
2. 缩放实际上是最好的选择。通常，数据会被上采样，因为与多数数据相比，它在数据中的代表性不足。由于许多算法试图最小化经验风险 - 错误分类的概率 - 他们更多地关注多数数据。上采样/下采样的原因是因为训练数据中的表示不具有代表性，或者少数数据的错误分类成本要高得多，例如在预测性维护中。纠正这个问题的最佳方法实际上是成本矩阵。然而，由于相当多的算法没有现成的成本函数机制，因此上采样/下采样通常用作近似值。因此，只有在采样过程中可以引入额外的“噪声”时，才会首选上采样
3. 标准验证