如何在GCP中使用AutoML解决罕见购买事件预测全为0的问题

你遇到的问题属于极端类别不平衡二分类场景的典型表现：1亿条数据中正样本（购买）仅3_{4万条，占比只有0.03%}0.04%，模型为了降低整体损失会直接全部预测占比更高的负样本，和特征组合的关联度很低，可通过以下方案调整：

• 调整训练集采样策略
  保留全部正样本，对负样本做随机欠采样，仅抽取100万_{200万条负样本参与训练，将训练集的正负样本比例控制在1:30}1:100区间，避免用原始1:2500的极端比例喂给模型。注意验证集和测试集必须保留原始类别比例，不能做采样处理，才能反映模型的真实线上效果。
• 切换模型优化目标
  AutoML默认优化分类准确率，完全不适用于不平衡场景，你需要在训练设置中将优化目标修改为PR AUC（精确率-召回率曲线下面积），该指标会更关注正样本的识别效果，避免模型为了整体准确率放弃正样本分类。
• 配置类别权重
  在训练配置的类别权重设置项中，给正样本设置更高的分类权重，权重值可按「负样本数量/正样本数量」的比例设置，也就是给购买类设置2500左右的权重，放大模型对正样本分类错误的损失感知。
• 调整分类阈值
  训练完成后不要使用默认的0.5分类阈值，可根据验证集的业务需求手动下调阈值，比如调整到0.01甚至更低，在可接受的误判率范围内尽可能捕获更多正样本。
• 补充交叉特征
  现有5类基础特征的区分度可能不足，你可以基于原始特征做交叉衍生，比如「收入分位数×年龄区间」「居住区域×家庭规模」这类组合特征，喂给AutoML做特征选择，提升正样本的可区分性。

内容的提问来源于stack exchange，提问作者atsang01