我有一个不平衡数据集，它有43323行，其中9行属于"失败"类，其他行属于"正常"类。我为测试数据训练了一个100%召回率和94.89%AUC的分类器(0.75/0.25，分层=y(。然而，该分类器具有0.18%的精度&0.37%F1得分我以为我可以通过改变阈值来找到更好的F1分数，但我失败了(我用步长=0.01检查了0到1之间的阈值(。此外，我似乎很惊讶，通常在处理不平衡的数据集时，很难获得高召回率目标是获得更好的F1成绩。下一步我能做些什么？谢谢
(需要明确的是，我使用SMOTE对训练数据集中的故障样本进行了上采样(
获得100%的召回实际上是微不足道的：只需将所有内容分类为1即可。
精确度/召回率曲线是否良好？也许更彻底的扫描可以产生更好的结果：
probabilities = model.predict_proba(X_test)
precision, recall, thresholds = sklearn.metrics.precision_recall_curve(y_test, probabilities)
f1_scores = 2 * recall * precision / (recall + precision)
best_f1 = np.max(f1_scores)
best_thresh = thresholds[np.argmax(f1_scores)]