研究auto-sklearn在类别不平衡情况下的解决方案

auto-sklearn针对类别不平衡问题提供了两种不同的处理方式，以下将对这两种策略进行逐一分析。

文章结构概览

• 对sample_weights进行调整

  • 对class_weights进行调整

  • • 将balanced作为参数进行配置
    • 以dict形式进行设定

  • weight_mode对应的映射关系表

sample_weights调整策略

首先需要明确的是，哪些算法应用了sample_weights这一策略，对此进行列举：

    clf_ = ['adaboost', 'random_forest', 'extra_trees', 'sgd', 'passive_aggressive']
    pre_ = []
    
    
      
      
    

为何选择这些算法呢？例如，'adaboost'、'random_forest'、'extra_trees' 这些算法均属于基于树结构的模型，且支持对样本权重进行设置，那么为何需要引入样本权重机制呢？

注释内容已经说明得非常明确，我们一起来分析一下：

需要使用样本权重的分类器：
可以将 adaboost 包含其中，因为在 fit 方法中，
样本权重会被进行归一化处理：