我正在尝试使用插入符号进行机器学习任务（二进制分类），并且想知道是否有一种方法可以合并有关“不确定”类的信息，或者以不同方式对类进行加权 .
作为一个例子，我使用Sonar数据集（占位符代码 - 可以是任何东西）从插入符号主页剪切和粘贴一些代码：
library(mlbench)
testdat <- get(data(Sonar))
set.seed(946)
testdat$Source<-as.factor(sample(c(LETTERS[1:6],LETTERS[1:3]),nrow(testdat),replace = T))
收益：
summary(testdat$Source)
A B C D E F
49 51 44 17 28 19
之后，一旦我决定使用模型，我将继续进行典型的训练，调整和测试程序 .
我在这里添加的是源的另一个因子列，或相应的“类”来自哪里 . 作为一个任意的例子，说这些是6个不同的人，他们使用稍微不同的方法来指定“类”，我想更加重视A的分类方法而不是B，但是比C等更重要 .
实际数据是这样的，其中存在类不 balancer ，包括真/假，M / R或任何类，以及这些来源 . 从我发现的小插图和例子中，至少前者我会在调整过程中使用像ROC这样的度量标准，但至于如何合并后者，我不确定 .
-
按源分隔原始数据并循环使用一个因子级别，使用当前级别构建模型，其余数据用于测试
-
而不是分类，把它变成混合分类/回归问题，在那里我使用源的等级作为我想要建模的 . 如果A被认为是最好的，则“A阳性”将得到6分，“A为负”，得分为-6，依此类推 . 然后对这些值执行回归拟合，忽略Class列 .
有什么想法吗？我对类和权重进行的每次搜索似乎都引用了类不 balancer 问题，但假设分类本身是完美的（或者是建模的标准） . 尝试合并这些信息甚至是不合适的，我应该只包括所有内容并忽略来源？第一个计划的一个潜在问题是，较小的源占大约几百个实例，而较大的源则超过10,000个，所以我可能也担心 Build 在较小的集合上的模型不会像一个一样 . 基于更多数据 . 任何想法将不胜感激 .
1 回答
加权"because of importance"和加权"because imbalance"之间没有区别 . 这些是完全相同的设置，它们都引用"how strongly should I penalize model for missclassifing sample from a particular class" . 因此，您不需要任何回归（并且不应该这样做！这是完全明确的分类问题，而您只是过度思考它），而只是提供样本权重，这就是全部 . 在插入符号中有许多模型接受这种设置，包括glmnet，glm，cforest等 . 如果你想使用svm，你应该更改包（因为ksvm不支持这样的东西），例如https://cran.r-project.org/web/packages/gmum.r/gmum.r.pdf（用于样本或类权重）或https://cran.r-project.org/web/packages/e1071/e1071.pdf（如果是 class 加权）