样本轮换问题及建议(样本不平衡及其解决方案)

样本轮换问题及建议：样本不平衡及其解决方案

类别不平衡（class-imbalance），又称数据倾斜、数据不平衡，是指分类任务中不同类别的训练样例数量差异较大的情况。

在实际的分类学习任务中，我们经常遇到广告点击率预测、故障分析、异常检测等类别不平衡；或者在通过拆分解决多分类问题时，即使原始问题中不同类别的培训样本数量相同，也在使用OvR（Onevs.Rest）、MvM（Manyvs.Many）战略后产生的二级分类任务仍可能出现类别不平衡。标准机器学习算法通常假设不同类别的样本数量大致相似，因此类别不平衡会大大降低学习算法的效果。因此，有必要了解类别不平衡时的基本处理方法。

每种解决方案都有其适用范围，需要因地制宜。有时候根本不需要特别处理，比如这两种情况(正样本是少数类别):样本轮换的问题和建议

已经给出问题的指标是ROC或者AUC对类别不平衡不敏感的指标，此时不处理和处理的差异不大；正样本和负样本在任务中同样重要，即预测对正样本和负样本同样重要，因此不处理，使正样本被淹没也没有影响。如果我们对召回有特别大的需求，也就是说，我们更关心正样本，那么很难得到我们想要的结果。因此，以下是一些方法

(1)收集数据

针对少量样本数据，可以尽可能去扩大这些少量样本的数据集，或者尽可能去增加他们特有的特征来丰富数据的多样性

(2)将分类任务转换为异常检测

如果少数样本太少，少数样本的结构可能无法很好地表示少数样本的分布，那么平衡数据或调整算法的方法可能并不有效。如果这些少数样本分散在特征空间中，情况就会更糟。此时，最好将其转换为无监督的异常检测算法，而不必考虑将数据转换为平衡问题。聚类/高斯检测。

(3)调整权重

损失函数的权重可以简单地设置，少数类别可以更加关注。python的scikit-learn我们可以用它class_weight设置权重的参数。为了权衡不同类型错误造成的不同损失，错误可以被赋予不平等的代价

例如，在医学诊断中，对健康人的错误诊断可能会给患者带来进一步检查的麻烦，但对健康人的错误诊断可能会失去拯救生命的最佳时机。

(4)阈值调整

直接基于原始训练集进行学习，但在用训练好的分类器进行预测时，将原本默认为0.5阈值阈值。(大部分是负样本，所以分类器倾向于给出较低的分数)

重采样是不平衡学习领域应用最广泛的方法，注重修改训练数据集，使标准学习算法能够有效地训练。根据实现方法的不同，可以进一步分为样本轮换问题和建议

样本从大多数类别中删除(例如ENN、Tomeklink、NearMiss、EasyEnsemble等)采样，为少数类别生成新样本(如SMOTE、Borderline-SMOTE、ADASYN等)上述两种方案的结合(如SMOTE ENN等）由于随机抽样可能丢失含有重要信息的样本，随机抽样可能导致严重的过拟合（简单复制少数样本），引入无意义甚至有害的新样本（粗略合成少数样本），因此开发了一系列更先进的方法，试图根据数据分布信息重新抽样，同时保持原始数据结构。

在重采样过程中，应尽可能保持训练样本与测试样本的概率分布一致。如果违反了独立分布的假设，很可能会产生不良影响。

在学习之前，删除大多数类别中的样本，使例子和反例数接近

(1)随机欠采样

顾名思义，从大多数类别中随机选择一些样本组成样本集。然后将新样本集与少数样本集合并。

通过改变大多数可以通过改变大多数样本的比例来修改样本分布，从而使样本分布更加平衡，但也存在一些问题。对于随机欠采样，由于采样的样本集低于原始样本集，因此会导致一些信息缺失，即删除大多数样本可能会导致大多数类的重要信息丢失。

（2）EditedNearestNeighbor(ENN)

如果他的大部分样本遍历大多数样本，k近邻样本与自己的类别不同，我们会删除他；

（3）RepeatedEditedNearestNeighbor（RENN）

重复以上ENN直到没有样本可以删除过程；

（4）TomekLinkRemoval

其思想是，类别之间的边缘可能会增加分类的难度，通过去除边缘中的大多数样本，可以使类别之间margin更大，分类方便。具体方法如下:样本轮换问题及建议

如果有两种不同类型的样本，他们最近的邻居就是对方，也就是说A的最近邻是B，B的最近邻是A，那么A,B就是Tomeklink，我们要做的就是把一切都做好Tomeklink删除一切。然后删除一个。Tomeklink方法是组成Tomeklink如果两个样本中有一个属于大多数样本，请删除大多数样本。这样，我们就可以发现正负样本更加分离。如下图所示。

(1)随机采样

随机采样是少数类型S随机选择一些样本，然后通过复制选定的样本生成样本集E，添加它们S扩大原始数据集，获得新的少数集合S E。

对于随机采样，需要复制少数样本来扩大数据集，导致模型训练的复杂性增加。另一方面，也容易造成模型的过拟合问题，因为随机采样只是复制初始样本，使学习器学习的规则过于具体，不利于学习器的泛化性能，导致过拟合问题。

（2）SMOTE（SyntheticMinorityOversampling，合成少数类过采样)

SMOTE它是一种改进算法，通过插入少数样本来生成更多的少数样本。基本思想是针对每个少数样本，从k在近邻中随机选择一个样本也是少数类中的一个)，然后在两者之间的连接中随机选择一个样本作为新合成的少数类。

以下两个缺点：

（3）BorderlineSMOTE

将所有少数样本分为三类：

Noise：所有的k相邻样本属于多数类；Danger：超过一半的k近邻样本属于多数类；Safe：超过一半的k近邻样本属于少数类。如下图所示。Danger类的点在边界处，以种子为出发点，然后使用SMOTE算法生成新样本。如果选择的样本在另一端Noise或Safe集合时，随机插值应靠近种子样本端。

SMOTE TomekLinkRemovalSMOTE ENN...优点：

平衡类别分布，在重采样后的数据集上进行训练，可以提高某些分类器的分类性能。在模型训练过程中，减少数据集规模和计算费用。

基于距离的邻域关系通常用于采样过程计算效率低下（k近邻）来提取数据分布信息，计算开销大。易被噪声影响，最近邻算法容易被噪声干扰，可能无法得到准确的分布信息，从而导致不合理的重采样策略。过采样方法生成过多数据，会进一步增大训练集的样本数量，增大计算开销，并可能导致过拟合。不适用于无法计算距离的复杂数据集，如用户ID。成本敏感学习是调整权重方法的扩展，调整权重方法通常用于第二类，但成本敏感学习进一步扩展这一思想，可以设置成本矩阵进行多分类，也可以使用成本矩阵进行标准算法转换，以适应不平衡数据的学习，如决策树，成本矩阵可以进入决策阈值选择、分裂标准、分支三个方面。

可直接用于多分类问题，不增加训练的复杂性。缺点：

需要领域先验知识：成本矩阵需要由领域专家根据任务先验知识提供，这在许多实际问题中显然是不可用的。因此，在实际应用中，成本矩阵通常直接设置为不同类别的样本数量比，不能保证最佳的分类性能。不适用于某些分类器：批量培训（mini-batchtraining）方法训练模型（如神经网络）只存在于少数批次中，导致梯度下降和更新的非凸优化过程很快落入鞍点，使网络无法有效学习。

为了克服随机采样方法造成的信息缺失，保证算法表现出良好的不平衡数据分类性能，以及以采样方法为代表的算法EasyEnsemble。

1:在数据中，少数标签是P，多数标签的N，为P与N在数量上的比例，T需要收集的subset也可以说是设置的基分类器的数量。训练基分类器i(默认使用AdaBoost，也可以设置为其他，如XGBoost)训练循环次数（iteration）。

2-5:根据少数标签P对于大多数标签量N随机采样，使采样的数量和P数量相同。

6:把和P结合起来，然后给基分类器i学习。这里的公式只是一个基分类器的训练过程。论文中使用的基分类器是AdaBoost，而AdaBoost是由N由弱分类器组成，j就是表示Adaboost基分类器中的第一个j个弱分类器.

7:重复采样，训练T这样的基分类器。

8:对T进行基分类器ensemble。而且这里不直接取T个基分类结果(0，1)投票，而是投票n加上个基分类器的预测概率，最后通过sign决定分类的函数，sgn函数就是sign函数，sgn将结果转化为两类，小于0返回-1，否则返回1。.

第一步是相同的，但没有发布。区别在于第7步和第8步。通过控制分类阈值来控制假正例率（FalsePositiveRate）,删除所有判断正确的类别。

你可能还喜欢下面这些文章