克利夫兰心脏病数据集 - 无法描述该类答案

【问题标题】：Cleveland heart disease dataset - can’t describe the class克利夫兰心脏病数据集 - 无法描述该类
【发布时间】：2019-12-01 19:17:03
【问题描述】：

我正在使用Cleveland Heart Disease dataset from UCI 进行分类，但我不了解 target 属性。

数据集描述说值从 0 到 4，但属性描述说：

0：

1: > 50% 冠心病

我想知道如何解释这个问题，这个数据集是多类还是二元分类问题？我必须将值 1-4 归为一个类别（存在疾病）吗？

【问题讨论】：

标签： machine-learning scikit-learn dataset classification multiclass-classification

【解决方案1】：

这基本上意味着不同心脏病的存在用 1、2、3、4 表示，而不存在则简单地用 0 表示。现在，在这个数据集上进行的大多数实验都是基于二元分类，即存在（1、2、3、4）与缺席（0）。这种行为的一个原因可能是类不平衡问题（0 有大约 160 个样本，其余的 1、2、3 和 4 构成另一半）和少量样本（总共只有大约 300 个样本）。因此，考虑到我们的约束条件，将这些数据视为二元分类问题而不是多类分类问题是有意义的。

【讨论】：

【解决方案2】：

这个数据集是多类还是二元分类问题？

无需更改，数据集即可用于解决多类分类问题。
我必须将值 1-4 归为一个类别（存在疾病）吗？

是的，只要您有兴趣将数据集用于二元分类问题，您就必须这样做。

【讨论】：

但是我怎样才能处理平衡问题而不使其成为二元分类呢？
我建议提出一个新问题，以保持这个问题清晰明了。 ;)

【解决方案3】：

如果您正在处理不平衡的数据集，您应该使用重新采样技术来获得更好的结果。在数据集不平衡的情况下，分类器总是“预测”最常见的类别，而不对特征进行任何分析。

您应该尝试 SMOTE，它基于已经存在的元素为少数类合成元素。它从少数类中随机选择一个点并计算该点的 k 最近邻。

我还使用了交叉验证 K-fold 方法和 SMOTE，交叉验证确保模型从数据中获取正确的模式。

在衡量模型的性能时，准确度指标具有误导性，即使有更多的误报，它也显示出很高的准确度。使用 F1 分数和 MCC 等指标。

参考资料：

https://www.kaggle.com/rafjaa/resampling-strategies-for-imbalanced-datasets

【讨论】：

用 SMOTE 模拟这个点的想法非常有趣。实际上，我对这个机器学习世界很陌生，我所有的实验都是用 scikit-learn 完成的。你知道是否有任何库可以使用这种 SMOTE 技术吗？
Python 库 Imblearn。从 imblearn.over_sampling 导入 SMOTE。基本上，一旦您在训练和测试数据集中拆分数据集，应用 SMOTE 算法，它将重新采样数据集。将重采样数据集传递给分类算法。请浏览以下链接，它描述了如何使用不平衡数据集和使用 SMOTE 采样算法。 kaggle.com/qianchao/smote-with-imbalance-data.\
不平衡数据集请通过下面的线程stackoverflow.com/questions/57142772/…
嘿，您对使用 SMOTE 的建议给了我很好的结果。请把它作为一个答案，以便我可以标记为最佳答案
是的，SMOTE 算法可以在不平衡的数据集上提供更好的结果。我正在研究各种采样算法的项目。