具有不平衡数据的机器学习 | Machine Learning with Imbalanced Data

学习对数据进行过采样和欠采样，应用SMOTE、集成方法和成本敏感学习。
讲师：Soledad Galli

双语资源中英文字幕学习课程，独家翻译制作，提供全部配套课程资料。全网最低价享受高品质课程资源，无限分享下载。

你将会学到什么？

• 应用随机欠采样从大多数类别中删除观测值
• 通过删除难以分类的观测结果进行欠采样
• 通过在类分离边界处保留观测值进行欠采样
• 应用随机过采样来扩充少数类
• 创建合成伦理数据以增加少数族裔的例子
• 实现SMOTE及其变体以综合生成数据
• 使用集成方法和采样技术来提高模型性能
• 更改通过模型优化的失误分类成本，以适应少数类别
• 使用最适合不平衡数据集的指标确定模型性能

课程要求

• 机器学习基本算法知识，即回归、决策树和最近邻居
• Python编程，包括熟悉NumPy、Pandas和Scikit学习
• Python和Jupyter笔记本电脑安装

课程说明

欢迎使用不平衡数据集的机器学习。在本课程中，您将学习多种技术，这些技术可以用于不平衡的数据集，以提高机器学习模型的性能。

如果你现在正在处理不平衡的数据集，并且想提高模型的性能，或者你只是想了解更多关于如何解决数据不平衡的信息，本课程将向你展示如何。

我们将带您逐步完成引人入胜的视频教程，并教您关于处理不平衡数据集所需了解的一切。在这门全面的课程中，我们涵盖了几乎所有可用的处理不平衡数据集的方法，讨论了它们的逻辑、在Python中的实现、它们的优点和缺点，以及使用该技术时的注意事项。具体而言，您将学习：

• 随机抽样方法不足或侧重于突出某些样本群体
• 随机过采样方法以及根据现有观测结果创建新示例的方法
• 利用多个弱学习者的能力结合采样技术来提高模型性能的集成方法
• 对成本敏感的方法，对少数群体的错误决策进行更严厉的惩罚
• 在不平衡数据集上评估模型性能的适当指标

课程结束时，您将能够决定哪种技术适合您的数据集，和/或应用并比较不同方法在多个数据集上返回的性能改进。

这门全面的机器学习课程包括50多场讲座，跨度超过10个小时的视频，所有主题都包括动手操作的Python代码示例，您可以使用这些示例进行参考和实践，并在自己的项目中重复使用。

此外，代码会定期更新，以跟上新趋势和新的Python库发布。

那你还在等什么？立即注册，学习如何处理不平衡的数据集并构建更好的机器学习模型

此课程面向哪些人？

• 数据科学家和机器学习工程师处理不平衡数据集
• 希望提高在不平衡数据集上训练的模型性能的数据科学家
• 想要学习机器学习中间内容的学生
• 多班目标不平衡的学生