正负样本比例多少合适
㈠ 数据正负样本率达到多少需要进行处理
某一样本中，某件事发生的频率或概率
例如：某市随机调查了50岁以上的中老年妇女776人，其中患有骨质疏松症者322人，患病率为41.5%
776名中老年妇女为一样本，患有骨质疏松症为一特定事物，41.5%为患病率，即此样本的样本率
㈡ 什么是样本比例统计中考虑样本比例的意义何在
样本比例是样本数量在总体中所占的百分比；
考虑样本比例可以评估统计效率
㈢ hog+svm正负样本怎么选择
（1）准备训练样本集合；包括正样本集和负样本集；根据机器学习的基础知识我们知道，要利用机器学习算法进行样本训练，从而得到一个性能优良的分类器，训练样本应该是无限多的，而且训练样本应该覆盖实际应用过程中可能发生的各种情况。（很多朋友，用10来个正样本，10来
个负样本进行训练，之后，就进行测试，发现效果没有想象中的那么好，就开始发牢骚，抱怨。。。对于这些人，我只能抱歉的说，对于机器学习、模式识别的认
识，你还处于没有入门的阶段）；实际应用过程中，训练样本不可能无限多，但无论如何，三五千个正样本，三五千个负样本，应该不是什么难事吧？（如果连这个
都做不到，建议你别搞机器学习，模式识别了；训练素材都没有，怎么让机器学习到足够的信息呢？）
（2）收集到足够的训练样本之后，你需要手动裁剪样本。例如，你想用Hog+SVM来对商业步行街的监控画面中进行行人检测，那么，你就应该用收集到的训练样本集合，手动裁剪画面中的行人（可以写个简单程序，只需要鼠标框选一下，就将框选区域保存下来）。
（3）裁剪得到训练样本之后，将所有正样本放在一个文件夹中；将所有负样本放在另一个文件夹中；并将所有训练样本缩放到同样的尺寸大小。OpenCV自带的例子在训练时，就是将样本缩放为64*128进行训练的；
（4）提取所有正样本的Hog特征；
（5）提取所有负样本的Hog特征；
（6）对所有正负样本赋予样本标签；例如，所有正样本标记为1，所有负样本标记为0；
（7）将正负样本的Hog特征，正负样本的标签，都输入到SVM中进行训练；Dalal在论文中考虑到速度问题，建议采用线性SVM进行训练。这里，不妨也采用线性SVM；
（8）SVM训练之后，将结果保存为文本文件。
（9）线性SVM进行训练之后得到的文本文件里面，有一个数组，叫做support vector，还有一个数组，叫做alpha,有一个浮点数，叫做rho;将alpha矩阵同support vector相乘，注意，alpha*supportVector,将得到一个列向量。之后，再该列向量的最后添加一个元素rho。如此，变得到了一个分类器，利用该分类器，直接替换opencv中行人检测默认的那个分类器（cv::HOGDescriptor::setSVMDetector()），就可以利用你的训练样本训练出来的分类器进行行人检测了。
㈣ opencv 分类器训练 正负样本数量一般取多少比较好
取决于你要识别什么东西。
如果是一个商标，那么正样本一般只需要一张，负样本需要多张，越多越自然越好。
如果是识别人脸之类，可以下载网上的人脸正样本库，大概在200张或更多，负样本也至少需要几百张。
总之，取决于你要识别的物体的识别复杂度。
㈤ 逻辑回归 建模中正负样本 多少
线性回归，是统计学领域的方法，用的时候需要关注假设条件是否满足、模型拟合是否达标，参数是否显着，自变量之间是否存在多重共线性等等问题因为统计学是一个过程导向的，需要每一步都要满足相应的数学逻辑。
㈥ 样本总体较大时，样本量和样本总体的比例为多少合适
当样本总体较大时，样本量和样本总体的比例可以小点，10万个客户，采集样本达到1.5%，已经蛮高了。
最好是对客户群体进行分层，然后各层按一定比例抽样。（分层比例抽样），这样更科学点。
㈦ 怎么区分样本是正样本还是负样本
正样本是指属于某一类别的样本，负样本是指不属于某一类别的样本。可以通过估计你所有样本特征的分布，新的样本出现时，利用分布估计该样本的出现概率，若是概率太小则认为是负样本。要想用这个方法很好的去解决问题，需要所选的特征的分布在正样本和负样本有较大差异才比较有效。
首先将这个问题分为分类问题与检测问题两个方面进行理解：
在分类问题中，这个问题相对好理解，比如人脸识别中的例子，正样本很好理解，就是人脸的图片，负样本的选取就与问题场景相关，具体而言，如果你要进行教室中学生的人脸识别，那么负样本就是教室的窗子、墙等等。
也就是说，不能是与你要研究的问题毫不相关的乱七八糟的场景，这样的负样本并没有意义。
在检测的问题中，理解着就不是那么简单了，因为检测问题需要做的事情是指出哪里有什么，也就是既要给出框，又要说明框中是什么。
在这种情况下，所具备的数据就是一些人工标注的图片，这些图片上有框，并且会给出框中的物体类别，需要运用这些数据生成训练中的正负样本数据，参考了faster以及SSD两种检测框架中对于正负样本的选取准则，理解如下：
首先，检测问题中的正负样本并非人工标注的那些框框，而是程序中（网络）生成出来的框框，也就是faster rcnn中的anchor boxes以及SSD中在不同分辨率的feature map中的默认框，这些框中的一部分被选为正样本，一部分被选为负样本，另外一部分被当作背景或者不参与运算。
不同的框架有不同的策略，大致都是根据IOU的值，选取个阈值范围进行判定，在训练的过程中还需要注意均衡正负样本之间的比例。
㈧ 实验组和对照组样本量比例
看你要设置几个实验组了,要保证每个实验组和对照组的数量一致.比如你要设置10个,那么加上对照就一共有11个组,将总的数量平均分成11份就可以了.
自己想的,仅供参考哈.
㈨ 如何平衡正负例样本数据
两个图中都有两条竖直的虚线，表示发生了浓度变化:左图中虚线处表示反应达到平衡之后增大反应物浓度，正逆反应速率都加快，逆反应速率大于正反应速率，并最终达到平衡;右图虚线处表示反应达到平衡之后，减小生成物浓度，正逆反应速率都减小，但正反应速率仍然比逆反应速率大，并最终达到平衡。
㈩ 正负样本比例多少合适 gbdt
的疯狂开的费