在深度学习中，是否应该打破正负样本1:1的迷信思想？

文章预览

©PaperWeekly 原创 · 作者 | 刘芷宁 学校 | 伊利诺伊大学香槟分校 研究方向 | 不平衡学习、可信机器学习 在深度学习中，样本不均衡普遍被认为是数据集中不同类别的样本数量不等。特别地，当训练集和测试集的类别分布不匹配时，采用处理样本不均衡的策略显得尤为重要。 然而，当训练集和测试集分布匹配，但是正负样本比例仍然是悬殊的，这种情况下是否有必要再引入处理不平衡样本的策略？例如，在自然科学领域，如预测药物与靶点结合（即正负样本）的场景中，实际情况往往是正负样本本身不均衡的。在这种情况下， 使用过采样等技术人为使训练集中的正负样本比例达到 1:1 是否合理？ 笔者做过相当长一段时间的不平衡/长尾问题，上述内容对两个问题答案的假设一对一错。 Q：是否应该打破正负样本 1:1 的迷信思想？ A：是的，类别不平 ………………………………