当使用 sklearn LogisticRegression 函数对不平衡训练数据集进行二元分类时(例如，85% pos 类与 15% 负类(，将class_weight参数设置为"平衡"与将其设置为 {0：0.15， 1：0.85} 之间是否有区别？ 根据文档，在我看来，使用"平衡"参数将与提供字典相同。
class_weight
"平衡"模式使用 y 的值自动调整 权重与输入数据中的类频率成反比 如n_samples/(n_classes * np.bincount(y((。
是的，意思是一样的。使用class_weight='balanced参数，您无需传递确切的数字，即可自动平衡它。
您可以在此链接中看到更广泛的解释：
https://scikit-learn.org/dev/glossary.html#term-class-weight
要确认下一个属性的相似性，请执行以下操作：
- class_weight = "平衡"> class_weight = {0：0.5
- ， 1：0.5}
- class_weight = 无
我生成了这个实验：
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
X, y = load_iris(return_X_y=True)
clf_balanced = LogisticRegression(class_weight='balanced', random_state=0).fit(X, y)
clf_custom = LogisticRegression(class_weight={0:0.5,1:0.5}, random_state=0).fit(X, y)
clf_none = LogisticRegression(class_weight=None, random_state=0).fit(X, y)
print('Balanced:',clf_balanced.score(X, y))
print('Custom:',clf_custom.score(X, y))
print('None:',clf_none.score(X, y))
输出是：
Balanced: 0.9733333333333334
Custom: 0.9733333333333334
None: 0.9733333333333334
因此，我们可以凭经验得出结论，它们是相同的。
此线程中接受的答案不正确。当平衡作为参数给出时，sklearn 根据以下条件计算权重： 类权重 = 总数据点/(类数 * 类样本数(
所示示例采用平衡数据集。如果通过平衡，则基于上述公式的每个类的权重 = 1，而手动传递时，每个类的权重 = 0.5
模型的结果不会更改，因为正则化参数 C 会根据 1/C = 权重总和更改值