Press "Enter" to skip to content

不用SMOTE算法,我们如何处理多类不平衡数据?

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

本文转载自公众号“读芯术”(ID:AI_Discovery)。

 

机器学习中的一个常见问题是处理不平衡数据,其中目标类中比例严重失调,存在高度不成比例的数据。

 

 

什幺是多类不平衡数据?

 

当分类问题的目标类(两个或两个以上)不均匀分布时,称为不平衡数据。如果不能处理好这个问题,模型将会成为灾难,因为使用类不平衡数据建模会偏向于大多数类。处理不平衡数据有不同的方法,最常见的是过采样(Oversampling)和创建合成样本。

 

 

什幺是SMOTE算法?

 

SMOTE是一种从数据集生成合成算例的过采样技术,它提高了对少数类的预测能力。虽然没有信息损失,但它有一些限制。

 

 

合成样本

 

限制:

SMOTE不适用于高维数据。
可能会发生类的重叠,并给数据带来更多干扰。

因此,为了跳过这个问题,可以使用’class_weight ‘参数手动为类分配权重。

 

为什幺使用类别权重(Class weight)?

 

类别权重通过对具有不同权重的类进行惩罚来直接修改损失函数,有目的地增加少数阶级的权力,减少多数阶级的权力。因此,它比SMOTE效果更好。本文将介绍一些最受欢迎的获得数据的权重的技术,它们对不平衡学习问题十分奏效。

 

(1) Sklearn utils

 

可以使用sklearn来获得和计算类权重。在训练模型的同时将这些权重加入到少数类别中,可以提高类别的分类性能。

 

from sklearn.utils import class_weightclass_weightclass_weight =class_weight.compute_class_weight('balanced, 
np.unique(target_Y), 
target_Y)model = LogisticRegression(class_weightclass_weight = class_weight) 
model.fit(X,target_Y)# ['balanced', 'calculated balanced', 'normalized'] arehyperpaameterswhic we can play with.

 

对于几乎所有的分类算法,从逻辑回归到Catboost,都有一个class_weight参数。但是XGboost对二进制分类使用scale_pos_weight,对二进制和多类问题使用样本权重。

 

(2) 数长比

 

非常简单明了,用行数除以每个类的计数数,然后

 

weights = df[target_Y].value_counts()/len(df) 
model = LGBMClassifier(class_weight = weights)model.fit(X,target_Y)

 

(3) 平和权重技术(Smoothen Weights)

 

这是选择权重的最佳方法之一。labels_dict是包含每个类的计数的字典对象,对数函数对不平衡类的权重进行平和处理。

 

def class_weight(labels_dict,mu=0.15): 
    total = np.sum(labels_dict.values())    keys = labels_dict.keys()    weight = dict()for i in keys: 
        score =np.log(mu*total/float(labels_dict[i]))        weight[i] = score if score > 1else 1return weight# random labels_dict 
labels_dict = df[target_Y].value_counts().to_dict()weights =class_weight(labels_dict)model = RandomForestClassifier(class_weight = weights) 
model.fit(X,target_Y)

 

(4) 样本权重策略

 

下面的函数不同于用于为XGboost算法获取样本权重的class_weight参数。它为每个训练样本返回不同的权重。样本权重是一个与数据长度相同的数组,包含应用于每个样本的模型损失的权重。

 

def BalancedSampleWeights(y_train,class_weight_coef): 
    classes = np.unique(y_train, axis =0) 
classes.sort()class_samples = np.bincount(y_train)total_samples = class_samples.sum()n_classes = len(class_samples)    weights = total_samples / (n_classes* class_samples * 1.0) 
class_weight_dict = {key : value for (key, value) in              zip(classes, weights)} 
class_weight_dict[classes[1]] = class_weight_dict[classes[1]] * 
class_weight_coefsample_weights = [class_weight_dict[i] for i in y_train] 
    return sample_weights#Usage 
weight=BalancedSampleWeights(target_Y,class_weight_coef) 
model = XGBClassifier(sample_weight = weight) 
model.fit(X, target_Y)

 

(5) 类权重与样本权重:

 

样本权重用于为每个训练样本提供权重,这意味着应该传递一个一维数组,其元素数量与训练样本完全相同。类权重用于为每个目标类提供权重,这意味着应该为要分类的每个类传递一个权重。

 

以上是为分类器查找类权重和样本权重的几种方法,所有这些技术都对笔者的项目有效,你可以试试这些技巧,绝对大有帮助。

 

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注