Skip to main content
Ctrl+K
Version 0.13.0 - Home Version 0.13.0 - Home
  • Getting Started
  • User Guide
  • API reference
  • Examples
  • Release history
    • About us
  • GitHub
  • Getting Started
  • User Guide
  • API reference
  • Examples
  • Release history
  • About us
  • GitHub

章节导航

  • 展示API不平衡学习用法的示例
    • 如何在 imbalanced-learn 中使用 sampling_strategy
  • 基于真实世界数据集的示例
    • 多类分类与欠采样
    • 文本文档中的主题分类示例
    • 自定义采样器以实现异常值拒绝估计器
    • 在人脸识别任务中基准过采样方法
    • Porto Seguro: 使用Keras在小批量中平衡样本
    • 在不平衡数据集上拟合模型以及如何对抗偏差
  • 使用combine类方法的示例
    • 比较过采样和欠采样的采样器组合
  • 数据集示例
    • 创建一个不平衡的数据集
  • 使用集成类方法的示例
    • 使用采样器的Bagging分类器
    • 使用重采样比较集成分类器
  • 评估示例
    • 通过编译报告评估分类
    • 特定于不平衡学习的指标
  • 模型选择
    • 绘制验证曲线
  • 使用过采样类方法的示例
    • 用于类似SMOTE采样器的样本生成器
    • 随机过采样中收缩因子的效果
    • 比较过采样采样器
  • Pipeline 示例
    • 管道嵌入采样器的使用
  • 使用欠采样类方法的示例
    • Tomek链接定义的图示
    • NearMiss中的样本选择
    • 比较欠采样采样器
  • Examples
  • Evaluation examples

评估示例#

展示如何使用不平衡数据集进行分类的示例。

通过编译报告评估分类

Evaluate classification by compiling a report

不平衡学习特有的指标

Metrics specific to imbalanced learning

上一页

使用重采样比较集成分类器

下一步

通过编译报告评估分类

Edit on GitHub

本页面

  • Show Source

© 版权所有 2014-2024, The imbalanced-learn 开发者.

使用 Sphinx 8.1.3 创建。

使用 PyData Sphinx Theme 0.16.1 构建。