我有一个包含 4712 条记录的数据集。标签 1 是 1558 (33%)，标签 0 是 3154 (67%)

a) 目前，当我按原样运行模型和分析时（没有采样技术），我得到F1-score了71-77. 我选择F1-score并AUC score作为指标，因为我的数据集是不平衡的。（至少这就是我看到班级比例时的感受）。对于基于树的模型，我的 AUC 也在 80-83 之间。下面给出了具有不平衡数据的模型的屏幕截图

b）当我对多数类进行抽样不足时，我得到了所有指标，例如F1-score/ accuracy/AUC以上80但小于 85

下面的截图

现在我不确定我应该考虑哪一个？我知道这都是关于权衡的。

我的目标是避免/最小化错误分类

根据您在 ML 项目中的经验，你们有什么建议？

有人可以告诉我为什么要选择一个而不是另一个吗？