分类不平衡处理：随机森林提升召回率技巧

本文深入剖析了RandomForestClassifier在类别不平衡数据中召回率偏低的根本原因——并非模型能力不足，而是其默认的自助采样机制天然偏向多数类，导致少数类学习不充分，叠加投票机制进一步放大偏差；强调真正影响业务决策的是正样本的绝对召回数量（如召回40个vs. 400个），而非单纯看百分比；同时指出实操中极易被忽视的关键细节：分层交叉验证必须固定shuffle和random_state，否则召回率波动剧烈、结果不可复现，根本无法科学评估优化效果。

为什么 RandomForestClassifier 在不平衡数据上召回率低

不是模型“不行”，是默认训练方式天然偏向多数类：每个基学习器在自助采样（bootstrap）时，大概率抽到多数类样本，导致少数类模式学得浅；同时，最终投票或平均预测时，多数类预测结果天然占优。尤其当正样本占比 recall 掉到 0.2 甚至更低很常见。

关键点在于：它不关心你缺的是“找出来几个正例”，只优化整体准确率——而准确率在不平衡场景下毫无意义。

• 别指望调 class_weight="balanced" 就能救回来：它只在损失计算时加权，但 bootstrap 采样本身仍严重偏斜
• 用 SMOTE 过采样 + 普通随机森林，容易在决策边界附近生成噪声样本，反而拉低泛化 recall
• max_depth 设太小（如 3），树太浅，根本学不到少数类的细粒度特征；设太大又容易过拟合噪声

用 imblearn.ensemble.BalancedRandomForestClassifier 替代原生随机森林

它不是简单加权，而是从采样源头改：每棵树训练前，对多数类做随机欠采样，使每轮 bootstrap 数据集里正负样本数量接近 1:1。这样每棵树都真正在“平衡数据”上学，集成后 recall 更扎实。

注意它属于 imbalanced-learn（imblearn）库，不是 scikit-learn 原生模块，需单独安装：pip install imbalanced-learn。

• 初始化时显式传 n_estimators=100（默认 100，但建议写明，避免依赖隐式默认）
• sampling_strategy="auto" 是安全选择，会自动按最小类数量对其他类欠采样；若想更激进，可设为 "all"（所有类都降到最小类规模）
• 保留 random_state：欠采样有随机性，不设会导致每次运行结果波动大，调试困难
• 别关 bootstrap=True：关了就退化成普通随机森林，失去平衡采样优势

predict_proba 输出可信吗？怎么设阈值提 recall

BalancedRandomForestClassifier 的 predict_proba 比原生版本更合理，因为每棵树都在近似平衡数据上学，概率校准稍好——但依然不是完美概率，不能直接当“真实发生概率”用。

召回率低，往往卡在默认阈值 0.5 太高：模型输出 predict_proba[:, 1] 中，很多真实正例得分在 0.3~0.49 之间，被一刀切判为负例。

• 用 precision_recall_curve 扫描不同阈值，选 recall ≥0.7 时 precision 最高的那个点
• 线上部署时，把 decision_function 或 predict_proba 结果存下来，阈值后期可动态调，不用重训模型
• 警惕 predict_proba 在极不平衡下仍偏保守：如果测试集 recall 卡在 0.6 上不去，可能需要结合代价敏感学习（如 class_weight 微调）再叠一层

验证时别只看 classification_report 里的 recall

单靠一次 train/test 划分的 recall 值，很可能高估效果。尤其当正样本少于 200 条，一次划分可能漏掉关键正例分布。

必须用分层、重复的交叉验证：比如 StratifiedKFold(n_splits=5, shuffle=True, random_state=42)，确保每折里正负比例一致。

• 用 cross_val_score 时，明确传 scoring="recall"，别用默认的 "accuracy"
• 记录每折 recall 值，看标准差——如果 std >0.1，说明模型不稳定，可能欠采样波动太大，需增大 n_estimators 或换 sampling_strategy="all"
• 混淆矩阵里真正要盯的是 True Positive 绝对数：召回率 0.8 × 50 个正样本 = 40 个，和 0.8 × 500 = 400 个，业务影响天壤之别

实际用起来，最常被跳过的一步是分层交叉验证中的 shuffle=True 和 random_state 固定——没这俩，recall 数值每天跑都不一样，根本没法判断是不是真提升了。

终于介绍完啦！小伙伴们，这篇关于《分类不平衡处理：随机森林提升召回率技巧》的介绍应该让你收获多多了吧！欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布文章相关知识，快来关注吧！