当我在Scikit中阅读Decision Tree时，我发现：
在训练之前 balancer 数据集，以防止树偏向主导的类 . 可以通过从每个类中采样相等数量的样本来完成类 balancer ，或者优选地通过将每个类的样本权重（sample_weight）的总和归一化为相同的值来完成 .
在链接中：http://scikit-learn.org/stable/modules/tree.html
我很迷惑 .
（1）
可以通过从每个类中抽取相同数量的样本来完成类 balancer
如果我喜欢这样，我应该为每个类中的每个样本添加适当的样本权重（或添加类样本......） .
例如，如果我有两个类：A和B，包含样本数
A：100 B：10000
我可以为每个输入10000个样本并设置权重：
输入样品A：10000，输入样品B：10000重量A：0.01，重量B：1.0
（2）
但它仍然说：
优选地，通过将每个类的样本权重（sample_weight）的总和归一化为相同的值
我完全被它弄糊涂了 . 这是否意味着我应该输入100个A样本和10000个B样本然后设置权重：
输入样品A：100，输入样品B：10000重量A：1.0，重量B：1.0
但似乎我没有采取任何措施来 balancer 不 balancer 的数据 .
哪种方式更好，Scikit第二种方式的含义是什么？任何人都可以帮我澄清一下吗？
1 回答
balancer 数据集的方法有很多种：
过度采样（从代码不足的类中抽取更多样本而无需替换）
从过度代表的类中进行欠采样（使用/不使用替换绘制较少的样本）
基于邻域的未充分代表类的伪造数据（搜索SMOTE）
基于权重的方法：虽然您需要对此进行调整，但粗略地说，您可以从选择权重开始，这使得
weight*number of observations在表示和过度表示的组下均相等 .