我觉得这个问题可能已经有人问过了，但我不知道该如何搜索。简单来说，我正在使用随机森林构建一个二分类器，正例的数量远多于负例（2000对约20）。当然，准确率非常高，因为测试集中通常只有0到1个负例和超过一千个正例。如果机器学习在这种情况下仍然可行，那么处理如此少的负例的最佳方法是什么？还是说这些数据根本没用？

回答：

正如您所提到的，您的数据集类别分布不平衡（2000对约20）。这种分布不允许您构建预测模型，因为模型会将您的罕见事件（负结果）视为随机噪声，并且无法很好地预测新数据集。

在构建任何预测模型之前，您可能需要上采样罕见事件以使其在分布中达到平衡。您仍然可以尝试随机森林模型，因为它在处理不平衡数据集时表现良好，但我认为20对约2000的分布在随机森林中也不太好用。要获取更多关于处理不平衡数据分布的详细信息，您可以访问这个链接：https://elitedatascience.com/imbalanced-classes

上采样您数据的示例代码如下：

from sklearn.utils import resample# 分离多数类和少数类df_minority = df[df.pos_neg==0] #我将负类标记为'0'df_majority = df[df.pos_neg==1]# 上采样少数类df_minority_upsampled = resample(df_minority,                                  replace=True,       # 替换采样                                 n_samples=11828,    # 与多数类匹配                                 random_state=123)   # 确保结果可重现# 合并多数类和上采样的少数类df_upsampled = pd.concat([df_majority, df_minority_upsampled])# 显示新的类别计数df_upsampled.value_counts()# 1    2000# 0    2000