示例#
用于imbalanced-learn
工具箱的通用和入门示例。
展示API imbalanced-learn用法的示例#
展示一些关于imbalanced-learn API细节的示例。
基于真实世界数据集的示例#
使用真实世界数据集的示例。
使用combine类方法的示例#
结合方法混合了过采样和欠采样方法。通常使用SMOTE进行过采样,而一些清理方法(即ENN和Tomek链接)用于欠采样。
数据集示例#
关于imblearn.datasets
模块的示例。
使用集成类方法的示例#
欠采样方法意味着在平衡过程中会丢失多数类的样本。 集成方法提供了一种使用大多数样本的替代方案。 实际上,创建了一组平衡集,并用于后续训练任何分类器。
评估示例#
展示如何使用不平衡数据集进行分类的示例。
模型选择#
与平衡方法选择相关的示例。
使用过采样类方法的示例#
数据平衡可以通过过采样来执行,以便在少数类中生成新样本以达到给定的平衡比例。
管道示例#
示例如何使用管道在scikit-learn
估计器中包含欠采样。
使用欠采样类方法的示例#
欠采样是指减少多数类样本数量的过程。 实现的方法可以分为两类:(i) 固定欠采样和(ii) 清理欠采样。