scikit-learn：随机森林 class_weight 和 sample_weight 参数

Question

我有一个类不平衡问题，并且一直在使用 scikit-learn (>= 0.16) 中的实现来试验加权随机森林。

我注意到该实现在树构造函数中采用 class_weight 参数，在 fit 方法中采用 sample_weight 参数来帮助解决类不平衡问题。尽管这两个似乎相乘以决定最终权重。

我无法理解以下内容：

• 在树构建/训练/预测的哪些阶段使用这些权重？我看过一些关于加权树的论文，但我不确定 scikit 实现了什么。
• class_weight 和 sample_weight 到底有什么区别？

Answer 1

RandomForests 是建立在树上的，树上有很好的记录。检查 Trees 如何使用样本权重：

• User guide on decision trees - 准确说明所使用的算法
• Decision tree API - 解释树如何使用 sample_weight（对于随机森林，正如您所确定的，它是 class_weight 和 sample_weight 的乘积）。

至于class_weight 和sample_weight 之间的区别：很大程度上可以通过它们的数据类型的性质来确定。 sample_weight 是长度为 n_samples 的一维数组，为用于训练的每个示例分配显式权重。 class_weight 要么是每个类的字典到该类的统一权重（例如，{1:.9, 2:.5, 3:.01}），要么是告诉 sklearn 如何自动确定该字典的字符串。

因此，给定示例的训练权重是其明确命名为 sample_weight（或 1，如果未提供 sample_weight）的乘积，它是 class_weight（或 1，如果 class_weight 是未提供）。