我需要处理类别不平衡问题，并对输入的测试数据集进行二分类，在训练数据集中，大多数类别标签为1（另一个类别标签为0）。

例如，以下是训练数据的一部分：

93.65034,94.50283,94.6677,94.20174,94.93986,95.21071,194.13783,94.61797,94.50526,95.66091,95.99478,95.12608,194.0238,93.95445,94.77115,94.65469,95.08566,94.97906,194.36343,94.32839,95.33167,95.24738,94.57213,95.05634,194.5774,93.92291,94.96261,95.40926,95.97659,95.17691,093.76617,94.27253,94.38002,94.28448,94.19957,94.98924,0

其中最后一列是类别标签 – 0或1。实际数据集非常倾斜，类别比例为10:1，即大约有700个样本的类别标签为0，而其余6800个样本的类别标签为1。

上述只是数据集中所有样本的一部分，但实际数据集中大约有90%的样本类别标签为1，其余的类别标签为0，尽管所有样本或多或少都很相似。

处理这种数据集应该使用哪种分类器比较好？

我已经尝试过使用逻辑回归以及将class-weight参数设置为"balanced"的svm，但在准确率上没有显著改善。

回答：

但在准确率上没有显著改善。

准确率并不是评估的正确方法（例如，请参阅准确率悖论）。在类别比例为10:1的情况下，只需始终预测类别标签0，就可以轻易获得90%的准确率。

一些好的起点包括：

• 尝试不同的性能指标。例如，F1分数和马修斯相关系数

• “重新采样”数据集：增加来自代表性不足类别的样本（过采样）/ 删除来自代表性过剩类别的实例（欠采样；你应该有大量数据）

• 从不同的角度出发：异常检测对于不平衡数据集是一个不错的尝试

• 尝试不同的算法也是一个可能性，但不是万能的解决方案。你可能应该从决策树开始（在不平衡数据集上通常表现良好）

编辑（现在知道你在使用scikit-learn）

class_weight（scikit-learn）参数的权重用于训练分类器（所以balanced是可以的），但准确率并不是评估其性能的好方法。

sklearn.metrics模块实现了几种损失、分数和效用函数，用于衡量分类性能。还可以参考如何使用scikit-learn计算多类别情况下的精确率、召回率、准确率和F1分数？。