precision    recall  f1-score   supportClass 0       1.00      0.98      0.99    125000Class 1       0.33      0.84      0.47      1500

大家好，

在这个模型中，对于少数类别（类别1）的预测，F1分数表现得不是很好。

我的想法是，如果模型对类别0的预测如此出色，为什么我们不把问题反过来，预测类别0呢？因为只有两个类别，如果不是类别0，就是类别1。

换句话说，如果模型能识别某个数据为类别0，那么它肯定不是类别1（特别是当类别0的精确度为1时）。这意味着模型仍然表现良好。

这样做行得通吗？为什么不行呢？

先行感谢大家。

回答：

你是在凭直觉认为模型真正学会了类别0。在这种数据不平衡的情况下，这些分数（高召回率/高精确度）可能有些决定性，意义较小。

让我举个例子。如果你让一个盲人来分类红苹果和橙苹果（你的数据例如有99个红苹果和1个绿苹果）。现在当你给他一个红苹果（他不知道是什么颜色）时，他只是随机说“红”，你很高兴并给了他奖励（在机器学习的角度来看，产生了较低的损失）。现在他知道说“红”会得到奖励，所以他利用这种行为，总是说“红”（尽管对于一个“绿”苹果他会错过，但这并不会影响他得到的所有奖励）。现在，如果你不知道这个人是盲人，你可能会说“我可以用他作为苹果分类器，因为他非常了解‘红’苹果，我可以在他不是‘红’苹果时反转他的分类”。但你知道这是个盲人，他并不知道一个“红”苹果是否真的是“红”苹果。

我们可以这样看待我们的模型，当我们给它一个任务时，它的任务是减少损失，所以为了做到这一点，它会利用任何和每一个漏洞如果它有机会。因此，当它得到不平衡的数据时，它知道总是预测类别0（多数类别）会减少损失，所以这就是它所做的。如果你从几何角度考虑，你有这些不同颜色的点（不同类别），现在你有一条线来分隔它们（决策边界），如果你把线画得远一些，并说在右边的点（数据集的所有点所在的地方）是类别0（多数类别），而左边的所有点是类别1（少数类别）。那么这个模型也会为类别0产生高精确度的分数，这告诉我们当它预测类别0时我们可以真正信任这个模型（这就是精确度指标的含义），但我们真的可以吗？因为我们知道它实际上没有学到任何东西。

所以，这就是不平衡数据的问题，我们的成本分布也会变得倾斜，这阻碍了模型进行严格的学习。