私は、現在最も寛容で最も表現力のないクラスの間で、9クラスと12：1の比の非常に不均衡なデータセットに苦しんでいます。すべてのクラスが等しく表現されるまでwekaのSMOTEフィルターを適用すると、全体の分類精度が86％から分類精度が95％に大幅に向上しました。 SMOTEフィルタを適用する前に、SMOTEフィルタを94％〜99％の間で適用した後、40％〜99％の範囲にある個々のクラス精度（真陽性）も一般的に改善されています。これにより、SMOTEフィルタが適用された回数によって精度が向上しています。WEOTのフィルタ - 結果の解釈方法
「新しい」結果はどれくらい信頼できますか？これはオーバーフィットの効果が大きいでしょうか？
誰か他の人が同じ問題を抱えている場合に備えて、私は結果に頭を浮かべたいだけです。残念ながら、精度の向上はオーバーフィットから生じる可能性が最も高いようです。 私は、クロスバリデーションの代わりにtraining-test-setupを使用してこの結論に達しました。データをランダム化し、85％のトレーニングデータと15％のテストデータの2つの部分に分割しました。次に、すべてのクラスが等しく表されるまで、トレーニングデータにSMOTEフィルタを適用しました。次に、このアップサンプリングされたデータは、分類モデル（END-インプリメンテーション）を訓練し、テストデータを分類に使用した。これにより、この設定とSMOTEを用いた分類結果は、SMOTEを除いた分類結果に非常に近く、合計で約86％であった。したがって、精度の向上は、相互検証セットアップのテストデータもアップスケールされており、オーバーフィッティングを促進するという事実から生じたものと思われる。
誰でもこれについて詳しく知りますか？あるいはこれらの発見に挑戦したい人はいますか？