问题描述
我正在从不平衡学习中查看InstanceHardnessThreshold转换器的源代码，这里：https://github.com/scikit-learn-contrib/imbalanced-learn/blob/12b2e0d/imblearn/under_sampling/_prototype_selection/_instance_hardness_threshold.py#L167
我想知道阈值是如何精确计算的，其原理是什么？
解决方法
在与不平衡学习包的维护者讨论后，我了解到：
阈值确定如下：
threshold = np.percentile(
probabilities[y == target_class],(1.0 - (n_samples / target_stats[target_class])) * 100.0,)
其中 n_samples 是来自多数类的最终数据集中所需的样本数，而 target_stats[target_class] 是原始数据集中存在的多数类的总数。
我们需要找到一个概率阈值，使得高于该阈值的样本数与 sampling_strategy 中请求的样本数一致。默认情况下，它将是少数类中的样本数，除非用户另有声明。
实例硬度是一个观察被漏分类的概率。换句话说，它是 1 - 类的概率。
这个想法是估计器给出的概率与样本属于该类的确定性有关。因此，百分位数为 0.0 意味着我们选择了所有样本，而百分位数为 1.0 意味着我们将选择单个样本（概率最大的那个）。因此，阈值对应于选择 N 个最确定的样本属于 C 类，如每个估计器所见。 N 由sampling_strategy 参数定义（例如，预期平衡率）。
此方法可能返回比用户请求的更多的观察结果。文档中提到了这一点。