1.背景目标
2.解决样本不均衡问题
过采样（让1变得和0一样多）；
下采样（在0中取出部分数据，数量与1一致）
3.下采样策略
训练模型，实例化逻辑回归模型，指定不同的惩罚系数，利用交叉验证找到最合适的参数，打印每个结果
4.交叉验证
5.模型评估方法
6.正则化惩罚
7.逻辑回归模型
8.混淆矩阵
TP(true positives)：预测为真，实际为真
FN(false negatives)：预测为假，实际为真
FP(false positives)：预测为真，实际为假
TN(true negatives)：预测为假，实际为假
9.阈值对结果的影响
阈值越小，被判为正的越多，即大于阈值的就是为正，但是存在一个很明显的问题就是很多负的也被判为正值。
当阈值很小时，数据的召回率很大，但是整体数据的准确率很小。
因此我们需要根据召回率和准确率的综合考虑选择一个合适的阈值。
10.MOTE样本生成策略
相关文章：