python數(shù)據(jù)預(yù)處理 :樣本分布不均怎么辦

這篇文章給大家分享的是有關(guān)python數(shù)據(jù)預(yù)處理 :樣本分布不均怎么辦的內(nèi)容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

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，其特征無論如何你和也無法實現(xiàn)完整特征值的覆蓋，此時屬于嚴(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)生過度依賴于有限的數(shù)量樣本而導(dǎo)致過擬合問題，當(dāng)模型應(yīng)用到新的數(shù)據(jù)上時，模型的準(zhǔn)確性和健壯性將會很差。

樣本分布不均的解決方法：

過采樣 通過增加分類中樣本較少的類別的采樣數(shù)量來實現(xiàn)平衡，最直接的方法是簡單復(fù)制小樣本數(shù)據(jù)，缺點是如果特征少，會導(dǎo)致過擬合的問題。經(jīng)過改進(jìn)的過抽樣方法通過在少數(shù)類中加入隨機(jī)噪聲、干擾數(shù)據(jù)或通過一定規(guī)則產(chǎn)生新的合成樣本。

欠采樣 通過減少分類中多數(shù)類樣本的數(shù)量來實現(xiàn)樣本均衡，最直接的方法是隨機(jī)去掉一些多數(shù)類樣本來減小多數(shù)類的規(guī)模，缺點是會丟失多數(shù)類中的一些重要信息。

設(shè)置權(quán)重 對不同樣本數(shù)量的類別賦予不同的權(quán)重（通常會設(shè)置為與樣本量成反比）

集成方法 每次生成訓(xùn)練集時使用所有分類中的小樣本量，同時從分類中的大樣本量中隨機(jī)抽取數(shù)據(jù)來與小樣本量合并構(gòu)成訓(xùn)練集，這樣反復(fù)多次會得到很多訓(xùn)練集和訓(xùn)練模型。最后在應(yīng)用時，使用組合方法（例如投票、加權(quán)投票等）產(chǎn)生分類預(yù)測結(jié)果。這種方法類似于隨機(jī)森林。缺點是，比較吃計算資源，費時。

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)采樣來增加新的樣本使各個分類均衡
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: 對于少數(shù)類樣本a, 隨機(jī)選擇一個最近鄰的樣本b, 然后從a與b的連線上隨機(jī)選取一個點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單的方式來平衡各個類別的數(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)行過采樣差值時, 很容易生成一些噪音數(shù)據(jù). 因此, 在過采樣之后需要對樣本進(jìn)行清洗. 
# 這樣TomekLink 與 EditedNearestNeighbours方法就能實現(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 通過對原始的數(shù)據(jù)集進(jìn)行隨機(jī)下采樣實現(xiàn)對數(shù)據(jù)集進(jìn)行集成.
# EasyEnsemble 有兩個很重要的參數(shù): (i) n_subsets 控制的是子集的個數(shù) and (ii) replacement 決定是有放回還是無放回的隨機(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(級聯(lián)平衡)的方法通過使用分類器(estimator參數(shù))來確保那些被錯分類的樣本在下一次進(jìn)行子集選取的時候也能被采樣到. 同樣, n_max_subset 參數(shù)控制子集的個數(shù), 以及可以通過設(shè)置bootstrap=True來使用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)練每個基學(xué)習(xí)器之前對每個子集進(jìn)行重抽樣. 簡而言之, 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)

感謝各位的閱讀！關(guān)于“python數(shù)據(jù)預(yù)處理 :樣本分布不均怎么辦”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，讓大家可以學(xué)到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！