我正在使用sklearn GridSearchCv来找到一个随机森林的最佳参数，用于使用4个类(建筑物，植被，水和道路(应用于遥感数据时，问题是我有一个与其他课程相比，"植被"的课程要多(我的意思是数千到数百万的差异(。我应该平衡测试数据集以获取指标吗？
我已经平衡了整个集合，然后再分成培训和测试，这意味着两个数据集都以平等的方式具有相同的类别分布。恐怕这并不代表该算法在真实数据上的性能，但它使我可以深入了解每个类别的性能。如果我使用不平衡的数据，"植被"类可能最终会与其他平均值混乱。
这是我所做的余额的示例，因为您可以看到我直接在x和y上进行。这是完整的数据和标签。
if balance:
smt = RandomUnderSampler(sampling_strategy='auto')
X, y = smt.fit_sample(X, y)
print("Features array shape after balance: " + str(X.shape))
我想对模型在真实数据上的性能有最好的理解，但是我还没有找到确定的答案！
处理失衡数据的拇指规则是"永远不会平衡测试数据"。处理不平衡数据的管道：
- 做预处理
- 应用火车测试拆分(分层(。
- 平衡培训数据(通常效果更好(
- 火车模型/模型
- 测试不平衡测试数据(显然使用诸如F-SCORE，精度，召回的指标(
，您将获得实际的性能。
这里出现的问题是为什么在火车测试分开之前不平衡数据？
当您在现实世界中部署在现实世界中时，您不能期望现实世界的数据会得到平衡...
更好的方法是在步骤2使用k折，并对每个折叠进行3,4,5步骤
请参阅本文以获取更多信息。