質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
85.50%
機械学習

機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Q&A

解決済

1回答

3106閲覧

不均衡データのオーバーサンプリング、アンダーサンプリングについて

CoffeeLover

総合スコア2

機械学習

機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

0グッド

0クリップ

投稿2020/10/31 07:52

編集2020/10/31 08:08

質問

scikit-learnのSVMで2値分類モデルを作っています。データの数は150程度です。
識別するラベルは0,1の2値なのですが、0の割合が80%とか偏っており、データの数が少ないためオーバーサンプリング(SMOTE)することを考えています。

ネットの記事やブログを探したところ、
学習データをオーバーサンプリングしている例はよく見るのですが、
検証用データやテストデータをオーバーサンプリングする例はあまり見ません。

Q1.検証用データ・テストデータをオーバーサンプリングすることはタブーなのでしょうか?

Q2.学習データとテストデータのラベルの比率の違いは事前確率に影響を与えると思うのですが、
比率を合わせなかったときに出てくる問題にはどのようなものがありますか?

よろしくお願いします。

気になる質問をクリップする

クリップした質問は、後からいつでもMYページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答1

0

ベストアンサー

A1.オーバーサンプリングはデータの水増しのようなものなので、検証用データやテストデータには適用しません。検証やテストは実際に出現するデータで行うことに意味があるためです。

A2.データに不均衡があると、モデルが多数派の予測精度が高くなるように学習します。極端な例として、真が95%、偽が5%のとき全て真と予測しても95%の性能が出ていることになります。モデルの目的が多数派の予測精度を極大にすることであれば、許容できると思いますが、少数派の性能を確保したいのであれば、バランスを整えたほうがいいでしょう。

投稿2020/10/31 10:35

R.Shigemori

総合スコア3376

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

CoffeeLover

2020/10/31 11:01

回答ありがとうございます。 よくわかりました。
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.50%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問