python數(shù)據(jù)預(yù)處理 :樣本分布不均的解決(過(guò)采樣和欠采樣)
何為樣本分布不均:
樣本分布不均衡就是指樣本差異非常大,例如共1000條數(shù)據(jù)樣本的數(shù)據(jù)集中,其中占有10條樣本分類,其特征無(wú)論如何你和也無(wú)法實(shí)現(xiàn)完整特征值的覆蓋,此時(shí)屬于嚴(yán)重的樣本分布不均衡。
為何要解決樣本分布不均:
樣本分部不均衡的數(shù)據(jù)集也是很常見(jiàn)的:比如惡意刷單、黃牛訂單、信用卡欺詐、電力竊電、設(shè)備故障、大企業(yè)客戶流失等。
樣本不均衡將導(dǎo)致樣本量少的分類所包含的特征過(guò)少,很難從中提取規(guī)律,即使得到分類模型,也容易產(chǎn)生過(guò)度依賴于有限的數(shù)量樣本而導(dǎo)致過(guò)擬合問(wèn)題,當(dāng)模型應(yīng)用到新的數(shù)據(jù)上時(shí),模型的準(zhǔn)確性和健壯性將會(huì)很差。
樣本分布不均的解決方法:
過(guò)采樣 通過(guò)增加分類中樣本較少的類別的采樣數(shù)量來(lái)實(shí)現(xiàn)平衡,最直接的方法是簡(jiǎn)單復(fù)制小樣本數(shù)據(jù),缺點(diǎn)是如果特征少,會(huì)導(dǎo)致過(guò)擬合的問(wèn)題。經(jīng)過(guò)改進(jìn)的過(guò)抽樣方法通過(guò)在少數(shù)類中加入隨機(jī)噪聲、干擾數(shù)據(jù)或通過(guò)一定規(guī)則產(chǎn)生新的合成樣本。
欠采樣 通過(guò)減少分類中多數(shù)類樣本的數(shù)量來(lái)實(shí)現(xiàn)樣本均衡,最直接的方法是隨機(jī)去掉一些多數(shù)類樣本來(lái)減小多數(shù)類的規(guī)模,缺點(diǎn)是會(huì)丟失多數(shù)類中的一些重要信息。
設(shè)置權(quán)重 對(duì)不同樣本數(shù)量的類別賦予不同的權(quán)重(通常會(huì)設(shè)置為與樣本量成反比)
集成方法 每次生成訓(xùn)練集時(shí)使用所有分類中的小樣本量,同時(shí)從分類中的大樣本量中隨機(jī)抽取數(shù)據(jù)來(lái)與小樣本量合并構(gòu)成訓(xùn)練集,這樣反復(fù)多次會(huì)得到很多訓(xùn)練集和訓(xùn)練模型。最后在應(yīng)用時(shí),使用組合方法(例如投票、加權(quán)投票等)產(chǎn)生分類預(yù)測(cè)結(jié)果。這種方法類似于隨機(jī)森林。缺點(diǎn)是,比較吃計(jì)算資源,費(fèi)時(shí)。
python代碼:
# 生成不平衡分類數(shù)據(jù)集 from collections import Counter from sklearn.datasets import make_classification X, y = make_classification(n_samples=3000, n_features=2, n_informative=2, n_redundant=0, n_repeated=0, n_classes=3, n_clusters_per_class=1, weights=[0.1, 0.05, 0.85], class_sep=0.8, random_state=2018) Counter(y) # Counter({2: 2532, 1: 163, 0: 305}) # 使用RandomOverSampler從少數(shù)類的樣本中進(jìn)行隨機(jī)采樣來(lái)增加新的樣本使各個(gè)分類均衡 from imblearn.over_sampling import RandomOverSampler ros = RandomOverSampler(random_state=0) X_resampled, y_resampled = ros.fit_sample(X, y) sorted(Counter(y_resampled).items()) # [(0, 2532), (1, 2532), (2, 2532)] # SMOTE: 對(duì)于少數(shù)類樣本a, 隨機(jī)選擇一個(gè)最近鄰的樣本b, 然后從a與b的連線上隨機(jī)選取一個(gè)點(diǎn)c作為新的少數(shù)類樣本 from imblearn.over_sampling import SMOTE X_resampled_smote, y_resampled_smote = SMOTE().fit_sample(X, y) sorted(Counter(y_resampled_smote).items()) # [(0, 2532), (1, 2532), (2, 2532)] # ADASYN: 關(guān)注的是在那些基于K最近鄰分類器被錯(cuò)誤分類的原始樣本附近生成新的少數(shù)類樣本 from imblearn.over_sampling import ADASYN X_resampled_adasyn, y_resampled_adasyn = ADASYN().fit_sample(X, y) sorted(Counter(y_resampled_adasyn).items()) # [(0, 2522), (1, 2520), (2, 2532)] # RandomUnderSampler函數(shù)是一種快速并十分簡(jiǎn)單的方式來(lái)平衡各個(gè)類別的數(shù)據(jù): 隨機(jī)選取數(shù)據(jù)的子集. from imblearn.under_sampling import RandomUnderSampler rus = RandomUnderSampler(random_state=0) X_resampled, y_resampled = rus.fit_sample(X, y) sorted(Counter(y_resampled).items()) # [(0, 163), (1, 163), (2, 163)] # 在之前的SMOTE方法中, 當(dāng)由邊界的樣本與其他樣本進(jìn)行過(guò)采樣差值時(shí), 很容易生成一些噪音數(shù)據(jù). 因此, 在過(guò)采樣之后需要對(duì)樣本進(jìn)行清洗. # 這樣TomekLink 與 EditedNearestNeighbours方法就能實(shí)現(xiàn)上述的要求. from imblearn.combine import SMOTEENN smote_enn = SMOTEENN(random_state=0) X_resampled, y_resampled = smote_enn.fit_sample(X, y) sorted(Counter(y_resampled).items()) # [(0, 2111), (1, 2099), (2, 1893)] from imblearn.combine import SMOTETomek smote_tomek = SMOTETomek(random_state=0) X_resampled, y_resampled = smote_tomek.fit_sample(X, y) sorted(Counter(y_resampled).items()) # [(0, 2412), (1, 2414), (2, 2396)] # 使用SVM的權(quán)重調(diào)節(jié)處理不均衡樣本 權(quán)重為balanced 意味著權(quán)重為各分類數(shù)據(jù)量的反比 from sklearn.svm import SVC svm_model = SVC(class_weight='balanced') svm_model.fit(X, y) # # EasyEnsemble 通過(guò)對(duì)原始的數(shù)據(jù)集進(jìn)行隨機(jī)下采樣實(shí)現(xiàn)對(duì)數(shù)據(jù)集進(jìn)行集成. # EasyEnsemble 有兩個(gè)很重要的參數(shù): (i) n_subsets 控制的是子集的個(gè)數(shù) and (ii) replacement 決定是有放回還是無(wú)放回的隨機(jī)采樣. from imblearn.ensemble import EasyEnsemble ee = EasyEnsemble(random_state=0, n_subsets=10) X_resampled, y_resampled = ee.fit_sample(X, y) sorted(Counter(y_resampled[0]).items()) # [(0, 163), (1, 163), (2, 163)] # BalanceCascade(級(jí)聯(lián)平衡)的方法通過(guò)使用分類器(estimator參數(shù))來(lái)確保那些被錯(cuò)分類的樣本在下一次進(jìn)行子集選取的時(shí)候也能被采樣到. 同樣, n_max_subset 參數(shù)控制子集的個(gè)數(shù), 以及可以通過(guò)設(shè)置bootstrap=True來(lái)使用bootstraping(自助法). from imblearn.ensemble import BalanceCascade from sklearn.linear_model import LogisticRegression bc = BalanceCascade(random_state=0, estimator=LogisticRegression(random_state=0), n_max_subset=4) X_resampled, y_resampled = bc.fit_sample(X, y) sorted(Counter(y_resampled[0]).items()) # [(0, 163), (1, 163), (2, 163)] # BalancedBaggingClassifier 允許在訓(xùn)練每個(gè)基學(xué)習(xí)器之前對(duì)每個(gè)子集進(jìn)行重抽樣. 簡(jiǎn)而言之, 該方法結(jié)合了EasyEnsemble采樣器與分類器(如BaggingClassifier)的結(jié)果. from sklearn.tree import DecisionTreeClassifier from imblearn.ensemble import BalancedBaggingClassifier bbc = BalancedBaggingClassifier(base_estimator=DecisionTreeClassifier(), ratio='auto', replacement=False, random_state=0) bbc.fit(X, y)
以上這篇python數(shù)據(jù)預(yù)處理 :樣本分布不均的解決(過(guò)采樣和欠采樣)就是小編分享給大家的全部?jī)?nèi)容了,希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。
- Python多進(jìn)程模式實(shí)現(xiàn)多核CPU并行計(jì)算
- python multiprocessing 多進(jìn)程并行計(jì)算的操作
- Python基于pyCUDA實(shí)現(xiàn)GPU加速并行計(jì)算功能入門教程
- Python 多核并行計(jì)算的示例代碼
- python數(shù)據(jù)預(yù)處理之?dāng)?shù)據(jù)標(biāo)準(zhǔn)化的幾種處理方式
- python實(shí)現(xiàn)數(shù)據(jù)預(yù)處理之填充缺失值的示例
- Python數(shù)據(jù)預(yù)處理之?dāng)?shù)據(jù)規(guī)范化(歸一化)示例
- python數(shù)據(jù)預(yù)處理之將類別數(shù)據(jù)轉(zhuǎn)換為數(shù)值的方法
- Python----數(shù)據(jù)預(yù)處理代碼實(shí)例
- python 刪除excel表格重復(fù)行,數(shù)據(jù)預(yù)處理操作
- Python Joblib庫(kù)使用方法案例總結(jié)
相關(guān)文章
PyCharm取消波浪線、下劃線和中劃線的實(shí)現(xiàn)
這篇文章主要介紹了PyCharm取消波浪線、下劃線和中劃線的實(shí)現(xiàn),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-03-03python的virtualenv虛擬環(huán)境常見(jiàn)問(wèn)題和命令
在Python中,venv是一個(gè)用于創(chuàng)建和管理虛擬環(huán)境的模塊,虛擬環(huán)境可以幫助你在項(xiàng)目之間隔離不同的Python包和依賴關(guān)系,這篇文章主要介紹了python的virtualenv虛擬環(huán)境常見(jiàn)問(wèn)題和命令,需要的朋友可以參考下2024-07-07Jupyter notebook遠(yuǎn)程訪問(wèn)服務(wù)器的方法
今天小編就為大家分享一篇Jupyter notebook遠(yuǎn)程訪問(wèn)服務(wù)器的方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-05-05攻擊者是如何將PHP Phar包偽裝成圖像以繞過(guò)文件類型檢測(cè)的(推薦)
這篇文章主要介紹了攻擊者是如何將PHP Phar包偽裝成圖像以繞過(guò)文件類型檢測(cè)的,需要的朋友可以參考下2018-10-10python正則表達(dá)式之對(duì)號(hào)入座篇
正則表達(dá)式是對(duì)字符串操作的一種邏輯公式,就是用事先定義好的一些特定字符、及這些特定字符的組合,組成一個(gè)“規(guī)則字符串”,這個(gè)“規(guī)則字符串”用來(lái)表達(dá)對(duì)字符串的一種過(guò)濾邏輯2018-07-07Python使用CMD模塊更優(yōu)雅的運(yùn)行腳本
這篇文章主要介紹了Python使用CMD模塊更優(yōu)雅的運(yùn)行腳本的方法,實(shí)例分析了Python中cmd模塊的相關(guān)使用技巧,具有一定參考借鑒價(jià)值,需要的朋友可以參考下2015-05-05