Опишите реальную бинарную задачу и долю положительного класса. При дисбалансе смотрят precision/recall, PR-AUC, стоимость ошибок и порог, а не только accuracy.
Приходилось ли тебе работать с бинарной классификацией? Сталкивался ли ты с дисбалансом классов в таких задачах, и что с этим можно сделать?
Опишите реальную бинарную задачу и долю положительного класса. При дисбалансе смотрят precision/recall, PR-AUC, стоимость ошибок и порог, а не только accuracy.
Короткий ответ
Что ответить на собеседовании
Подробный разбор
Ответ с пояснениями
Опишите реальную бинарную задачу и долю положительного класса. При дисбалансе смотрят precision/recall, PR-AUC, стоимость ошибок и порог, а не только accuracy.
Возможны class weights, sampling и сбор редких примеров; применять их нужно внутри train, сохраняя реалистичный test. Проверяйте калибровку и зависимость объектов. Oversampling не создаёт новую информацию, а высокий ROC-AUC ещё не гарантирует приемлемую precision на редком событии.