我有一个二元类数据集（0/1），其中“0”类的比例严重失衡（大约30000对1500）。每个实例有7个特征，没有缺失值。

当我使用J48或其他任何树分类器时，几乎所有的“1”实例都被错误分类为“0”。

将分类器设置为“不修剪”，将每个叶子节点的最小实例数设置为1，将置信因子设置为1，添加一个包含实例ID号的虚拟属性——所有这些都没有帮助。

我就是无法创建一个过拟合我数据的模型！

我还尝试了Weka提供的几乎所有其他分类器，但得到了类似的结果。

使用IB1可以获得100%的准确率（在训练集上训练），所以这不是多个实例具有相同特征值但不同类别的问题。

我如何创建一个完全不修剪的树？或者如何强制Weka过拟合我的数据？

谢谢。

更新： 这太荒谬了。我只使用了大约3100个负例和1200个正例，这就是我得到的树（未修剪的）：

J48 unpruned tree------------------F <= 0.90747: 1 (201.0/54.0)F > 0.90747: 0 (4153.0/1062.0)

不用说，IB1仍然给出100%的精确度。

更新2： 不知道我怎么会错过——未修剪的SimpleCart有效，并且在训练集上训练时给出100%的准确率；修剪过的SimpleCart没有J48那么偏见，并且具有不错的假阳性和假阴性比例。

回答：

快速而粗糙的解决方案是重新采样。丢弃除1500个以外的所有正例，并在一个平衡的数据集上进行训练。我相当确定Weka中有一个重新采样的组件可以做到这一点。

另一个解决方案是使用对每个类有不同成本的分类器。我相当确定libSVM允许你这样做，我知道Weka可以包装libSVM。不过我已经有一段时间没用Weka了，所以在这里我帮不上什么实际的忙。