決策樹樣本中標記數據的權重

Question

我試圖用Python（scikit-learn）做一些二叉決策樹，但是我的示例有一個不好的重新分區：我有類似標記爲0和800的100 000個數據點000與標籤1.

所以，當我得到樹，我沒有很多葉類與0，我甚至沒有任何深度爲5之前。在該節點中，有很少的幾點。

我也嘗試過與其他變量（仍然是相同的標籤）樹，我得到更多的數據與標籤0;問題是我不確定這是否合理。

我該怎麼辦？我應該使用每個標籤的50％來抽取我的數據樣本嗎？我擔心這樣做並不能真正代表我的數據，特別是如果我在數據樹中添加新數據。 有誰知道決策樹樣本的要求是什麼？我沒有發現任何關於它的任何信息。

非常感謝提前，

瑪麗

Answer 1

當一個數據集有屬於一類，而不是另一個顯著更多的數據點，它被稱爲不平衡。您的數據集不平衡。 你的少數族裔的數據點少於多數族裔的8倍。

與sklearn DecisionTreeClassifier處理這種最簡單的（正確）的方法是設置參數

class_weight="balanced" 

從我的經驗，這有很大幫助。 使用此設置，來自少數民族班的每個數據點將被賦予權重8.這意味着，大致來說，它將被視爲比多數班級任何一點都重要8倍。

在scikit-learn DecisionTreeClassifier documentation中查看更多詳情，並隨時在'不平衡學習'中進一步教育自己。