不同類別的分類數據集的數量是否重要

Question

我有樣本訓練數據集，我想知道天氣不同類別事件的日期數量。我應該在班級之間平衡數據集。

Answer 1

訓練數據中類表示的不對稱通常稱爲偏斜[https://en.wikipedia.org/wiki/Skewness]，併爲您的模型帶來了一些問題，所以一般而言，您希望避免那。

這就是說，這只是一個經驗法則，你可能會遇到這樣的情況，即具有較少數據點的類實際上被正確表示，而其他類是多餘的，在這種情況下，每個班級的積分可能並不重要。

主要問題是，如果數據在代表性方面是平衡的，可能很難說出先驗，所以最好的方法是儘量保持數據點的平衡。此外，有些算法對非對稱數據很敏感，所以即使數據確實代表了空間，不平衡也可能會給模型帶來偏差。

這裏有一些鏈接，可能會有所幫助：

http://people.stern.nyu.edu/fprovost/Papers/skew.PDF

http://etabeta.univ.trieste.it/dspace/bitstream/10077/4002/1/Menardi%20Torelli%20DEAMS%20WPS2.pdf

http://florianhartl.com/thoughts-on-machine-learning-dealing-with-skewed-classes.html