在对数据进行预处理（例如缺失值替换和异常值检测）后，我使用随机化方法对数据进行分区，并使用 WEKA 删除百分比过滤器。我的数据集是一个高度倾斜的数据集，不平衡比为 6:1，对应于负类和正类。如果我使用朴素贝叶斯分类器对数据进行分类，而不处理类不平衡问题，则准确率达到 83%，召回率为 0.623。但是，如果我使用监督实例重新采样或监督实例spreadsub样本过滤器处理类不平衡（平衡1：1后），然后应用朴素贝叶斯进行分类精度下降77％，召回率0.456。
我不明白为什么在处理类别不平衡率时准确性会降低？
谢谢。
如果班级比例不平衡为 6:1，则多数班级为 6/7 = 85.7%。仅通过预测多数类（例如使用 ZeroR），您将获得比 NaiveBayes 所实现的稍好的准确性。
平衡数据集后，NaiveBayes 报告的准确度为 77%，远高于预测多数类别的 50%。
从某种意义上说，NaiveBayes 确实有所进步。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
