R語言：SMOTE - Supersampling Rare Events in R:用R對非平衡數(shù)據(jù)的處理方法

SMOTE - Supersampling Rare Events in R:用R對稀有事件進(jìn)行超級采樣

在這個(gè)例子中將用到以下三個(gè)包
{DMwR} - Functions and data for the book “Data Mining with R” and SMOTE algorithm:SMOTE算法
{caret} - modeling wrapper, functions, commands：模型封裝、函數(shù)、命令

{pROC} - Area Under the Curve (AUC) functions：曲線下面積(ACU)函數(shù)

SMOTE算法是為了解決不平衡的分類問題。也就是說，它可以產(chǎn)生一個(gè)新的“SMOTEd”數(shù)據(jù)，解決類不平衡問題集?；蛘?，它也可以運(yùn)行在這個(gè)新的數(shù)據(jù)集的分類算法，并返回所得到的模型。

我們利用 Thyroid Disease 數(shù)據(jù)來進(jìn)行研究。
讓我們清洗一些數(shù)據(jù)
# 加載數(shù)據(jù)，刪除冒號和句號，并追加列名
hyper <-read.csv('http://archive.ics.uci.edu/ml/machine-learning-databases/thyroid-disease/hypothyroid.data', header=F)
names <- read.csv('http://archive.ics.uci.edu/ml/machine-learning-databases/thyroid-disease/hypothyroid.names', header=F, sep='\t')`1`
names <- gsub(pattern =":|[.]", replacement="", x = names)
colnames(hyper)<-names
# 我們將第一列的列名從 hypothyroid, negative改成target，并將negative變成0，其他值變成1.
colnames(hyper)[1]<-"target"
colnames(hyper)
##  [1] "target"                    "age"                      
##  [3] "sex"                       "on_thyroxine"             
##  [5] "query_on_thyroxine"        "on_antithyroid_medication"
##  [7] "thyroid_surgery"           "query_hypothyroid"        
##  [9] "query_hyperthyroid"        "pregnant"                 
## [11] "sick"                      "tumor"                    
## [13] "lithium"                   "goitre"                   
## [15] "TSH_measured"              "TSH"                      
## [17] "T3_measured"               "T3"                       
## [19] "TT4_measured"              "TT4"                      
## [21] "T4U_measured"              "T4U"                      
## [23] "FTI_measured"              "FTI"                      
## [25] "TBG_measured"              "TBG"
hyper$target<-ifelse(hyper$target=="negative",0,1)
# 檢查下陽性和陰性的結(jié)果
table(hyper$target)
## 
##    0    1 
## 3012  151
prop.table(table(hyper$target))
## 
##       0       1 
## 0.95226 0.04774
# 可見,1僅有5%。這顯然是一個(gè)扭曲的數(shù)據(jù)集，也是罕見事件。
head(hyper,2)
##   target age sex on_thyroxine query_on_thyroxine on_antithyroid_medication
## 1      1  72   M            f                  f                         f
## 2      1  15   F            t                  f                         f
##   thyroid_surgery query_hypothyroid query_hyperthyroid pregnant sick tumor
## 1               f                 f                  f        f    f     f
## 2               f                 f                  f        f    f     f
##   lithium goitre TSH_measured TSH T3_measured   T3 TT4_measured TT4
## 1       f      f            y  30           y 0.60            y  15
## 2       f      f            y 145           y 1.70            y  19
##   T4U_measured  T4U FTI_measured FTI TBG_measured TBG
## 1            y 1.48            y  10            n   ?
## 2            y 1.13            y  17            n   ?
# 這數(shù)據(jù)都是因子型變量（字符型的值），這些都需要轉(zhuǎn)換成二值化的數(shù)字，以方便建模：
ind<-sapply(hyper,is.factor)
hyper[ind]<-lapply(hyper[ind],as.character)

hyper[hyper=="?"]=NA
hyper[hyper=="f"]=0
hyper[hyper=="t"]=1
hyper[hyper=="n"]=0
hyper[hyper=="y"]=1
hyper[hyper=="M"]=0
hyper[hyper=="F"]=1

hyper[ind]<-lapply(hyper[ind],as.numeric)

replaceNAWithMean<-function(x) {replace(x,is.na(x),mean(x[!is.na(x)]))}

hyper<-replaceNAWithMean(hyper)

模型研究
我們利用caret包中的createDataPartition（數(shù)據(jù)分割功能）函數(shù)將數(shù)據(jù)隨機(jī)分成相同的兩份。

library(caret)
## Loading required package: lattice
## Loading required package: ggplot2
set.seed(1234)
splitIndex<-createDataPartition(hyper$target,time=1,p=0.5,list=FALSE)
trainSplit<-hyper[splitIndex,]
testSplit<-hyper[-splitIndex,]

prop.table(table(trainSplit$target))
## 
##       0       1 
## 0.95006 0.04994
prop.table(table(testSplit$target))
## 
##       0       1 
## 0.95446 0.04554
兩者的分類結(jié)果是平衡的，因此仍然有5%左右的代表，我們?nèi)匀惶幱诹己玫乃健?br />
我們利用caret包中的treebag模型算法，對訓(xùn)練集數(shù)據(jù)建立模型，并對測試集數(shù)據(jù)進(jìn)行預(yù)測。

ctrl<-trainControl(method="cv",number=5)
tbmodel<-train(target~.,data=trainSplit,method="treebag",
               trControl=ctrl)
## Loading required package: ipred
## Loading required package: plyr
predictors<-names(trainSplit)[names(trainSplit)!='target']
pred<-predict(tbmodel$finalModel,testSplit[,predictors])
為了評估模型，我們用pROC包的roc函數(shù)算auc得分和畫圖
library(pROC)
## Type 'citation("pROC")' for a citation.
## 
## Attaching package: 'pROC'
## 
## 下列對象被屏蔽了from 'package:stats':
## 
##     cov, smooth, var
auc<-roc(testSplit$target,pred)
print(auc)
## 
## Call:
## roc.default(response = testSplit$target, predictor = pred)
## 
## Data: pred in 1509 controls (testSplit$target 0) < 72 cases (testSplit$target 1).
## Area under the curve: 0.985
plot(auc,ylim=c(0,1),print.thres=TRUE,main=paste('AUC',round(auc$auc`1`,2)))
## 
## Call:
## roc.default(response = testSplit$target, predictor = pred)
## 
## Data: pred in 1509 controls (testSplit$target 0) < 72 cases (testSplit$target 1).
## Area under the curve: 0.985
abline(h=1,col="blue",lwd=2)
abline(h=0,col="red",lwd=2)




auc得分是0.98，已經(jīng)是非常不錯(cuò)的結(jié)果了（因?yàn)樗姆秶窃?.5到1之間）。

很難想象SMOTE對此能再有提高了，但接下來我們利用SMOTE對數(shù)據(jù)處理后再建模，看看auc結(jié)果

在R中，SMOTE算法是DMwR軟件包的一部分，主要參數(shù)有如下三個(gè)：perc.over:過采樣時(shí)，生成少數(shù)類的樣本個(gè)數(shù);k:過采樣中使用K近鄰算法生成少數(shù)類樣本時(shí)的K值，默認(rèn)是5；perc.under:欠采樣時(shí)，對應(yīng)每個(gè)生成的少數(shù)類樣本，選擇原始數(shù)據(jù)多數(shù)類樣本的個(gè)數(shù)。例如，perc.over=500表示對原始數(shù)據(jù)集中的每個(gè)少數(shù)樣本，都將生成5個(gè)新的少數(shù)樣本；perc.under=80表示從原始數(shù)據(jù)集中選擇的多數(shù)類的樣本是新生的數(shù)據(jù)集中少數(shù)樣本的80%。

library(DMwR)
## Loading required package: grid
## 
## Attaching package: 'DMwR'
## 
## 下列對象被屏蔽了from 'package:plyr':
## 
##     join
trainSplit$target<-as.factor(trainSplit$target)
trainSplit<-SMOTE(target~.,trainSplit,perc.over=100,perc.under=200)
trainSplit$target<-as.numeric(trainSplit$target)
# 我們再次用prop.table()函數(shù)檢查結(jié)果的平衡性，確定我們已經(jīng)讓陰性、陽性數(shù)據(jù)達(dá)到相同。
prop.table(table(trainSplit$target))
## 
##   1   2 
## 0.5 0.5
# 再次建立treebag模型
tbmodel<-train(target~.,data=trainSplit,method="treebag",
               trControl=ctrl)
predictors<-names(trainSplit)[names(trainSplit)!='target']
pred<-predict(tbmodel$finalModel,testSplit[,predictors])
auc<-roc(testSplit$target,pred)
print(auc)
## 
## Call:
## roc.default(response = testSplit$target, predictor = pred)
## 
## Data: pred in 1509 controls (testSplit$target 0) < 72 cases (testSplit$target 1).
## Area under the curve: 0.99
哇，達(dá)到0.99，比之前的0.985有提高
plot(auc,ylim=c(0,1),print.thres=TRUE,main=paste('AUC',round(auc$auc`1`,2)))
## 
## Call:
## roc.default(response = testSplit$target, predictor = pred)
## 
## Data: pred in 1509 controls (testSplit$target 0) < 72 cases (testSplit$target 1).
## Area under the curve: 0.99
abline(h=1,col="blue",lwd=2)

abline(h=0,col="red",lwd=2)