6-机器学习-样本类别分布不均衡处理之过抽样和欠抽样

总结

样本类别分布不均衡处理（处理过拟合和欠拟合问题）

• 过抽样（上采样）：通过增加分类中少数类样本的数量来实现样本均衡
  • from imblearn.over_sampling import SMOTE
欠抽样（下采样）：通过减少分类中多数类样本的数量来实现样本均衡 (可能造成样本数据大量丢失)
• from imblearn.under_sampling import RandomUnderSampler　

样本类别分布不均衡处理

什么是样本类别分布不均衡

• 举例说明，在一组样本中不同类别的样本量差异非常大，比如拥有1000条数据样本的数据集中，有一类样本的分类只占有10条，此时属于严重的数据样本分布不均衡。

样本类别分布不均衡导致的危害

• 样本类别不均衡将导致样本量少的分类所包含的特征过少，并很难从中提取规律；即使得到分类模型，也容易产生过度依赖与有限的数据样本而导致过拟合问题，当模型应用到新的数据上时，模型的准确性会很差。

• 解决方法：
  • 通过过抽样和欠抽样解决样本不均衡
    • 也可以叫做上采样，和下采样

过抽样（over-sampling）

• from imblearn.over_sampling import SMOTE
• 通过增加分类中少数类样本的数量来实现样本均衡，比较好的方法有SMOTE算法。
• SMOTE算法原理介绍：
  • 简单来说smote算法的思想是合成新的少数类样本，合成的策略是对每个少数类样本a，从它的最近邻中随机选一个样本b，然后在a、b之间的连线上随机选一点作为新合成的少数类样本。
  • 参数：k_neighbors
    • 找出类别少的样本点周围最近的k个邻居

• 环境安装：
  • pip install imblearn

# 数据源生成
import pandas as pd
import numpy as np
x = np.random.randint(0,100,size=(100,3))
y = pd.Series(data=np.random.randint(0,1,size=(95,)))
y = y.append(pd.Series(data=[1,1,1,1,1]),ignore_index=False).values
y = y.reshape((-1,1))
all_data_np = np.concatenate((x,y),axis=1)
np.random.shuffle(all_data_np)
df = pd.DataFrame(all_data_np)
df.head()

df.shape  # (100, 4)

df[3].value_counts()  # 样本分类不均衡
0    95
1     5
Name: 3, dtype: int64

X = df[[0,1,2]]
y = df[3]

from imblearn.over_sampling import SMOTE
s = SMOTE(k_neighbors=3)
feature,target = s.fit_sample(X,y)  # 返回一个元组

feature.shape  # 原来100行增加到190  # (190, 3)
target.shape  # (190,)

target.value_counts()
1    95
0    95
Name: 3, dtype: int64

欠抽样（under-sampling）

　　通过减少分类中多数类样本的数量来实现样本均衡（可能造成样本数据大量丢失）

• from imblearn.under_sampling import RandomUnderSampler

from imblearn.under_sampling import RandomUnderSampler
r = RandomUnderSampler()  # 没有那个n_neighbors参数

a,b = r.fit_sample(X,y)

a.shape  # (10, 3)
b.shape  # (10,)

b.value_counts()
1    5
0    5
Name: 3, dtype: int64