如何确定我的数据集是否平衡？

Question

我创建了贷款风险预测python机器学习模型，用于预测借款人是否能够支付银行贷款。我的模型工作得非常好，有78%的准确率。然而，我的教授告诉我，首先我必须检查我的数据集是否平衡（如果不平衡，则从IMBRearn库应用SMOTE）。主要问题是我不知道如何检查是否平衡。如果有人知道如何检查，请告诉我

数据集链接：-https://www.kaggle.com/omkar5/dataset-for-bank-loan-prediction?select=credit_train.csv （我用来创建模型的数据集）

Answer 1

简单地说，您需要检查目标变量中的类是否存在不平衡

例如：

如果您检查DEATH_EVENT=1和DEATH_EVENT=0之间的比率，它是2:1，这意味着我们的数据集是不平衡的

为了平衡，我们可以对数据进行过采样或欠采样。 在这种情况下，欠采样将删除100行，其中DEATH_事件=0，比率为1:1，但在此过程中会丢失大量数据

另一方面，SMOTE可以帮助我们为少数类生成行。 可以使用以下代码执行此操作：

from imblearn.over_sampling import SMOTE
smote = SMOTE()
X, y = smote.fit_resample(X, y)

df = pd.concat([pd.DataFrame(X), pd.DataFrame(y)], axis=1)

现在谈到模型的“高”准确度，因为大多数数据属于大多数类别0，所以仅预测所有行的0应该会给我一个高准确度，因此您应该检查其他性能指标，如召回率、精确度和f1分数