我有形状高度不平衡的贷款数据集： (116058,29(
如何提高准确率和召回率分数 目标色谱柱 m13 计数器({1： 636， 0： 115422}(
我曾经在训练集和测试集中拆分数据：
X_train,X_test,y_train,y_test = train_test_split(X,y,train_size = 0.8,random_state = 100,stratify = y)
然后使用 SVM 进行分类：
svc = SVC(class_weight = {1:0.95,0:0.05},kernel='rbf')
svc.fit(X_train,y_train)
y_pred = svc.predict(X_test)
我的精度为 .54，召回为 .55
我也尝试了使用 C 和 gamma 的不同值进行网格搜索，上面的代码给出了最好的结果
svc = SVC(class_weight = {1:0.95,0:0.05},kernel='rbf')
svc.fit(X_train,y_train)
y_pred = svc.predict(X_test)
有没有办法提高精度和召回率分数？
首先让我评论一下你的预测基线，如果我理解正确的话，你有 636 类 1,115422类 0。
Imagen 您将构建一个始终预测类 0 的预测模型，您的精度将是(如果类 0 是您的真实类(：
115422/(115422+636)=0,9945
和您的回忆(如果 0 类是您的真实班级(： 1 如果类 1 是您的真实类，则精度为：0
如您所见，调整它是一项艰巨的任务。一般来说，有关于这个主题的书籍，调整它会非常困难。但是你的目标应该是正确预测1类！目标应该是识别算法中的每个类 1。例如，您可以尝试定位您的敏感性，以下是一些目标： https://en.wikipedia.org/wiki/Precision_and_recall
你应该做的是，确保你的训练集和测试集的目标为 1 类。