首頁人工智能技術(shù)資訊正文

解決類別不平衡數(shù)據(jù)方法介紹

更新時(shí)間:2020-09-14 來源:黑馬程序員 瀏覽量:

什么是類別不平衡問題。其實(shí)，在現(xiàn)實(shí)環(huán)境中，采集的數(shù)據(jù)(建模樣本)往往是比例失衡的。比如網(wǎng)貸數(shù)據(jù)，逾期人數(shù)的比例是極低的(千分之幾的比例)；奢侈品消費(fèi)人群鑒定等。

1、類別不平衡數(shù)據(jù)集基本介紹

在這一節(jié)中，我們一起看一下，當(dāng)遇到數(shù)據(jù)類別不平衡的時(shí)候，我們?cè)撊绾翁幚?。在Python中，有Imblearn包，它就是為處理數(shù)據(jù)比例失衡而生的。

pip3 install imbalanced-learn

第三方包鏈接：https://pypi.org/project/imbalanced-learn/

創(chuàng)造數(shù)據(jù)集

from sklearn.datasets import make_classification
import matplotlib.pyplot as plt

#使用make_classification生成樣本數(shù)據(jù)
X, y = make_classification(n_samples=5000, 
                           n_features=2,  # 特征個(gè)數(shù)= n_informative（） + n_redundant + n_repeated 
                           n_informative=2,  # 多信息特征的個(gè)數(shù)
                           n_redundant=0,   # 冗余信息，informative特征的隨機(jī)線性組合
                           n_repeated=0,  # 重復(fù)信息，隨機(jī)提取n_informative和n_redundant 特征 
                           n_classes=3,  # 分類類別
                           n_clusters_per_class=1,  # 某一個(gè)類別是由幾個(gè)cluster構(gòu)成的
                           weights=[0.01, 0.05, 0.94],  # 列表類型，權(quán)重比
                           random_state=0)

查看各個(gè)標(biāo)簽的樣本

#查看各個(gè)標(biāo)簽的樣本量
from collections import Counter
Counter(y)

# Counter({2: 4674, 1: 262, 0: 64})

數(shù)據(jù)集可視化

# 數(shù)據(jù)集可視化
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.show()

解決分類不均衡


可以看出樣本的三個(gè)標(biāo)簽中，1，2的樣本量極少，樣本失衡。下面使用imblearn進(jìn)行過采樣。

接下來，我們就要基于以上數(shù)據(jù)，進(jìn)行相應(yīng)的處理。

關(guān)于類別不平衡的問題，主要有兩種處理方式：

過采樣方法

增加數(shù)量較少那一類樣本的數(shù)量，使得正負(fù)樣本比例均衡。

欠采樣方法

減少數(shù)量較多那一類樣本的數(shù)量，使得正負(fù)樣本比例均衡。

2、解決類別不平衡數(shù)據(jù)方法介紹

2.1 過采樣方法

2.1.1 什么是過采樣方法

對(duì)訓(xùn)練集里的少數(shù)類進(jìn)行“過采樣”(oversampling)，即增加一些少數(shù)類樣本使得正、反例數(shù)目接近，然后再進(jìn)行學(xué)習(xí)。

2.1.2 隨機(jī)過采樣方法
解決不均衡問題

通過代碼實(shí)現(xiàn)隨機(jī)過采樣方法：

# 使用imblearn進(jìn)行隨機(jī)過采樣
from imblearn.over_sampling import RandomOverSampler
ros = RandomOverSampler(random_state=0)
X_resampled, y_resampled = ros.fit_resample(X, y)
#查看結(jié)果
Counter(y_resampled)
#過采樣后樣本結(jié)果
# Counter({2: 4674, 1: 4674, 0: 4674})

# 數(shù)據(jù)集可視化
plt.scatter(X_resampled[:, 0], X_resampled[:, 1], c=y_resampled)
plt.show()

不平衡02


缺點(diǎn)：

·對(duì)于隨機(jī)過采樣，由于需要對(duì)少數(shù)類樣本進(jìn)行復(fù)制來擴(kuò)大數(shù)據(jù)集，造成模型訓(xùn)練復(fù)雜度加大。

·另一方面也容易造成模型的過擬合問題，因?yàn)殡S機(jī)過采樣是簡(jiǎn)單的對(duì)初始樣本進(jìn)行復(fù)制采樣，這就使得學(xué)習(xí)器學(xué)得的規(guī)則過于具體化，不利于學(xué)習(xí)器的泛化性能，造成過擬合問題。

為了解決隨機(jī)過采樣中造成模型過擬合問題，又能保證實(shí)現(xiàn)數(shù)據(jù)集均衡的目的，出現(xiàn)了過采樣法代表性的算法SMOTE算法。

2.1.3 過采樣代表性算法-SMOTE

SMOTE全稱是Synthetic Minority Oversampling即合成少數(shù)類過采樣技術(shù)。

SMOTE算法是對(duì)隨機(jī)過采樣方法的一個(gè)改進(jìn)算法，由于隨機(jī)過采樣方法是直接對(duì)少數(shù)類進(jìn)行重采用，會(huì)使訓(xùn)練集中有很多重復(fù)的樣本，容易造成產(chǎn)生的模型過擬合問題。而SMOTE算法的基本思想:

不平衡03

不平衡04
不平衡05

代碼實(shí)現(xiàn)：

# SMOTE過采樣
from imblearn.over_sampling import SMOTE
X_resampled, y_resampled = SMOTE().fit_resample(X, y)
Counter(y_resampled)

# 采樣后樣本結(jié)果
# [(0, 4674), (1, 4674), (2, 4674)]

# 數(shù)據(jù)集可視化
plt.scatter(X_resampled[:, 0], X_resampled[:, 1], c=y_resampled)
plt.show()
不均衡問題6

2.2 欠采樣方法

2.2.1 什么是欠采樣方法

直接對(duì)訓(xùn)練集中多數(shù)類樣本進(jìn)行“欠采樣”(undersampling)，即去除一些多數(shù)類中的樣本使得正例、反例數(shù)目接近，然后再進(jìn)行學(xué)習(xí)。

不平衡07

# 隨機(jī)欠采樣
from imblearn.under_sampling import RandomUnderSampler
rus = RandomUnderSampler(random_state=0)
X_resampled, y_resampled = rus.fit_resample(X, y)
Counter(y_resampled)

# 采樣后結(jié)果
[(0, 64), (1, 64), (2, 64)]

# 數(shù)據(jù)集可視化
plt.scatter(X_resampled[:, 0], X_resampled[:, 1], c=y_resampled)
plt.show()
不均衡問題8

缺點(diǎn)：

隨機(jī)欠采樣方法通過改變多數(shù)類樣本比例以達(dá)到修改樣本分布的目的，從而使樣本分布較為均衡，但是這也存在一些問題。對(duì)于隨機(jī)欠采樣，由于采樣的樣本集合要少于原來的樣本集合，因此會(huì)造成一些信息缺失，即將多數(shù)類樣本刪除有可能會(huì)導(dǎo)致分類器丟失有關(guān)多數(shù)類的重要信息。

官網(wǎng)鏈接：https://imbalanced-learn.readthedocs.io/en/stable/ensemble.html

猜你喜歡：

python人工智能之人臉識(shí)別綜合應(yīng)用與實(shí)踐

傳智播客與百度云智學(xué)院達(dá)成人工智能&大數(shù)據(jù)課程共建合作

人工智能之如何使用Python集合

分享到：
在線咨詢 我要報(bào)名
和我們?cè)诰€交談！