r - Kernlab 中的类权重语法？

Question

嗨，我正在尝试使用kernlab包对 R 中的不平衡数据集进行分类，因为类分布不是 1:1 我在ksvm()函数调用中使用 class.weights 选项但是当我添加时我在分类场景中没有任何区别权重或删除权重？所以问题是声明类权重的正确语法是什么？

我正在使用以下函数调用：

model = ksvm(dummy[1:466], lab_tr,type='C-svc',kernel=pre,cross=10,C=10,prob.model=F,class.weights=c("Negative"=0.7,"Positive"=0.3)) 
#this is the function call with class weights 
model = ksvm(dummy[1:466], lab_tr,type='C-svc',kernel=pre,cross=10,C=10,prob.model=F) 

任何人都可以对此发表评论，我是否遵循添加权重的正确语法？我还发现，如果我们将权重与函数一起使用prob.model=T，ksvm则会返回错误！

Answer 1

你的语法没问题，但是非工作类平衡的问题在机器学习中相当普遍；在某种程度上，从较大的类中删除一些对象是唯一保证有效的方法，但它仍然可能是错误增加的来源，并且必须小心以一种智能的方式（在 SVM 中，潜在的支持向量应该有优先权 - 当然现在有一个问题如何找到它们）。
你也可以尝试通过简单的长度比来增加重量，比如说十倍，并检查它是否有帮助甚至一点点，或者幸运的是，它是否超过了另一侧的不平衡。