我正在做一个大学项目，截止日期即将到来。我被分配了一个使用 bnlearn 的朴素贝叶斯分类问题。从数据集中读取数据后，我完成了通常的训练测试分割，但分割总是这样进行，以便在测试集中有一些行的值（而不是列）不存在于训练集中。 例如，训练集可能包含多个年龄值，范围从 20 到 60，但是（再次举例）训练集缺少年龄属性值“40”。当我尝试从测试集中进行预测并且其中包含年龄 = 40 的行时会发生什么？繁荣，它停止了，它给了我一个错误：“KeyError：40.0”。即使它是唯一缺失的值，而我希望它忽略它。该值存在于原始数据集中，但分割后仅包含在测试集中，因此模型对此一无所知并且无法预测。对于多个属性上的多个值，会发生这种情况。
我尝试过分层分割，但没有成功。我还让模型从整个数据集中学习和预测，但正如您可能猜到的那样，它陷入了过度拟合。 我应该如何处理朴素贝叶斯模型中前所未有的证据？我是否只是跳到测试集的下一行？我担心这可能会给我留下一个非常有限的模型，无法得出任何可靠的结论。
我会推荐以下内容：
如果数据集中有一些数据代表性不足，您可以考虑生成数据箱或值簇，以减少模型中未见值的概率。
同时，请确保验证您的训练/测试拆分策略：打乱数据，如果您想保留训练集和测试集之间的目标值分布，请尝试分层拆分。
如果这些建议不适用于您的用例，请尝试为您的数据集生成更多数据。如果数据集是您生成的，请尝试获取更多样本。如果您无法控制数据集的样本数量，您可以考虑使用过采样技术（如 SMOTE）来生成合成样本。