AUC 高，但数据不平衡时预测不佳

Question

我正在尝试在非常不平衡的数据集上使用 LightGBM 构建分类器。不平衡在比率97:3，即：

Class

0    0.970691
1    0.029309

我使用的参数和训练代码如下所示。

lgb_params = {
        'boosting_type': 'gbdt',
        'objective': 'binary',
        'metric':'auc',
        'learning_rate': 0.1,
        'is_unbalance': 'true',  #because training data is unbalance (replaced with scale_pos_weight)
        'num_leaves': 31,  # we should let it be smaller than 2^(max_depth)
        'max_depth': 6, # -1 means no limit
        'subsample' : 0.78
    }

# Cross-validate
cv_results = lgb.cv(lgb_params, dtrain, num_boost_round=1500, nfold=10, 
                    verbose_eval=10, early_stopping_rounds=40)

nround = cv_results['auc-mean'].index(np.max(cv_results['auc-mean']))
print(nround)

model = lgb.train(lgb_params, dtrain, num_boost_round=nround)


preds = model.predict(test_feats)

preds = [1 if x >= 0.5 else 0 for x in preds]

我运行 CV 以获得最佳模型和最佳回合。我在 CV 上得到了 0.994 AUC，在验证集中得到了相似的分数。

但是当我在测试集上进行预测时，我得到了非常糟糕的结果。我确信训练集被完美地采样了。

需要调整哪些参数。？问题的原因是什么。？我应该重新采样数据集以减少最高类别吗？

Answer 1

问题在于，尽管您的数据集中存在极端的类不平衡，但在决定最终的硬分类时，您仍然使用“默认”阈值 0.5

preds = [1 if x >= 0.5 else 0 for x in preds]

这里应该不是。

这是一个相当大的话题，我强烈建议你自己研究（尝试谷歌搜索阈值或截断概率不平衡数据），但这里有一些让你开始的指针......

来自Cross Validated 的相关答案（已添加重点）：

不要忘记，您应该智能地设置阈值以进行预测。当模型概率大于 0.5 时，预测 1 并不总是最好的。另一个阈值可能会更好。为此，您应该查看分类器的接收器操作特征 (ROC) 曲线，而不仅仅是使用默认概率阈值预测成功。

来自相关学术论文，Finding the Best Classification Threshold in Imbalanced Classification：

2.2.如何设置测试集的分类阈值

预测 结果 是 最终 决定 根据 到 预言 概率。 这 临界点 是 通常 放 到 0.5。 如果 这 预言 可能性 超过 0.5, 这 样本 是 预料到的 到 是 积极的; 否则， 消极的。 然而， 0.5 是 不是 理想的 为了 一些 案例， 特别 为了 不平衡 数据集。

（强烈推荐）Applied Predictive Modeling 博客中的 Optimizing Probability Thresholds for Class Imbalances 帖子也与此相关。

从以上所有内容中吸取教训：AUC 很少足够，但 ROC 曲线 本身通常是您最好的朋友...

---

关于阈值本身在分类过程中的作用（至少根据我的经验，许多从业者会出错），请查看 Cross 的 Classification probability threshold 线程（以及提供的链接）。已验证；重点：

当您为新样本的每个类别输出一个概率时，您的练习的统计部分就结束了。选择一个阈值，将新观察分类为 1 与 0 的阈值不再是 统计数据 的一部分。它是 decision 组件的一部分。