数据预处理：样本非平衡处理

转载：https://zhuanlan.zhihu.com/p/37311047

非平衡数据会影响最后的评判效果，严重的会带来过拟合的效果，即模型总是把样本划分到样本量较多的那一种。为了让模型的评判更准确，我们需要对非平衡数据进行一定的处理，主要有以下几种方式：

• 欠采样
• 过采样
• 人工合成
• 调权重

在开始介绍不同的处理方式之前，我们先引入一组非平衡数据。

  
  
#导入一些相关库
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report
from sklearn.metrics import roc_curve, auc
from sklearn.preprocessing import scale
#导入数据
df=pd.read_excel( r"C:\Users\zhangjunhong\Desktop\Unbanlanced-data.xlsx").fillna( 0)
  
  

看一下正负样本的具体数据量情况。

  
  
x=df.iloc[:, 1: -1]
y=df[ "label"]
print(y.value_counts())
print( "-------------------------")
print(y.value_counts(normalize= True))
  
  

该数据量的正负样本比例接近7:3，我们看一下不做任何处理的情况下，模型的预测效果如何。

  
  
#将模型进行封装，方便调用
def get_result_data(x,y):
x_=scale(x,with_mean= True,with_std= True)
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size= 0.4,random_state= 0)
model=LogisticRegression()
clf=model.fit(x_train,y_train)
print( "LR模型测试成绩:{:.2f}".format(clf.score(x_test,y_test)))
y_pred=clf.predict(x_test)
target_names = [ 'class 0', 'class 1']
print(classification_report(y_test, y_pred, target_names=target_names))
y_pred1=clf.decision_function(x_test)
fpr,tpr,threshold=roc_curve(y_test,y_pred1)
rocauc=auc(fpr,tpr) #计算AUC
print( "ROC分数:{:.2f}".format(rocauc))

if __name__== "__main__":
get_result_data(x,y)
  
  

模型的准确率是0.75，ROC分数也就是AUC值为0.76，看着还不错，但是class1的召回率要明显高于class0的召回率，这是因为原样本量中，class1的量要明显高于class0的原因。

欠采样

下采样(under-sampling)，是对非平衡数据中样本数较多的那一类进行采样，采样使其约等于样本量较少那一类的样本量。

  
  
df1=df[df[ "label"]== 1] #正样本部分
df0=df[df[ "label"]== 0] #负样本部分

#对正样本按0.5的比例进行下采样
df2=df1.sample(frac= 0.5)

#将下采样后的正样本与负样本进行组合
df_new=pd.concat([df0,df2])

x=df_new.iloc[:, 1: -1]
y=df_new[ "label"]

#下采样以后正负样本量情况
print(y.value_counts())
print( "-------------------------")
print(y.value_counts(normalize= True))
  
  

对模型进行下采样以后，正负样本的样本量基本接近1:1，符合我们目的，接下来看看下采样后的模型表现。

  
  
if __name__== "__main__":
get_result_data(x,y)
  
  

模型的准确率略有下降，但是ROC分数没发生什么变化，class0和class1的召回率也接近相等。

过采样

过采样(over-sampling)，是对非平衡数据中样本数较少的那一类进行采样，常规的做法就是将其复制几遍来达到正负样本平衡，因为是同样的数据复制多份，很容易发生过拟合，一般比较少用。具体的实现方式就比较简单啦，这里不罗列。

人工合成

人工合成就是人为地去合成一些样本量较少的数据，来达到正负样本平衡，人工合成数据能够很好地避免过采样带来的模型过拟合。比较常用的方法就是SMOTE。

SMOTE的算法原理如下：

1. 根据正负样本比例，确认采样的比例，即要合成样本的数量(k值)
2. 对于少数样本中的每个x,利用KNN算法，选取k个待采样的值x_n
3. 然后对x_n进行如下运算得到对应的x_new:x_new=x+rand(1)*|x-x_n|

(rand(1)表示生成0-1之间的一个随机数)

关于SMOTE算法的实现也由现成的库，我们直接pip安装就可以使用。

  
  
from collections import Counter
from imblearn.over_sampling import SMOTE
print( 'Original dataset shape {}'.format(Counter(y)))
sm = SMOTE(random_state= 42)
X_res, y_res = sm.fit_sample(x, y)
print( 'Resampled dataset shape {}'.format(Counter(y_res)))
  
  

原本正负样本绝对量分别为12193:5617,人工合成部分样本量以后，正负样本的绝对量变为了12193:12193,完全平衡。

人工合成以后模型预测效果

  
  
if __name__== "__main__":
get_result_data(X_res, y_res)
  
  

模型的准确率和ROC分数较欠采样都有略微的上涨，其中class0的召回上涨，class1略降。

调权重

调权重就是调整模型中正负样本的在模型表现中的表决权重，以此来平衡样本绝对量的不平衡。比如正负样本绝对量的比值为1:10,为了抵消这种量级上的不平衡，我们在模型中可以给与模型正负样本10:1的表决权重，也就是10个正样本的表决相当于1个负样本的表决。

这个过程我们也可以直接设置模型参数class_weight="balanced"进行实现。

  
  
x_=scale(x,with_mean= True,with_std= True)
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size= 0.4,random_state= 0)

model=LogisticRegression(class_weight= "balanced")
clf=model.fit(x_train,y_train)
print( "LR模型测试成绩:{:.2f}".format(clf.score(x_test,y_test)))
y_pred=clf.predict(x_test)

target_names = [ 'class 0', 'class 1']
print(classification_report(y_test, y_pred, target_names=target_names))

y_pred1=clf.decision_function(x_test)
fpr,tpr,threshold=roc_curve(y_test,y_pred1)
rocauc=auc(fpr,tpr) #计算AUC
print( "ROC分数:{:.2f}".format(rocauc))
  
  

调权重的结果和人工合成数据的结果接近一致。

最后

通过上面几种方法的模型结果可以看出：

• 用任意一种方式处理或者不处理，ROC基本是一致的，这也验证了我们在前面的推文中说到的，ROC是和样本是否平衡没关系的。
• 如果不做任何处理，模型的准确率会高，但是会发生严重的过拟合。
• 在做处理的这几种方式中，欠采样的效果要差于其他三种。
• 综合来看，直接在模型参数中调权重是效果最好，也是最快捷的一种方式，不用事先去做什么处理。

本文最后的结论是针对本次数据得出的结论，不代表在任何数据上效果都是如此，可能会限于数据本身的原因，结果会有所不同，本文重点讲述非平衡数据不同的处理方式以及实现方式。

转载：https://zhuanlan.zhihu.com/p/37311047