采样数据以保留分布

Question

vsample_data = credit_card.sample(n=100, replace='False')

打印（vsample_data）

在这里，我试图从数据集中抽取 100 个数据点，但无法获得正确的样本数据，从而保留信用卡欺诈数据集的原始分布，即 Class-0（非欺诈）和Class-1（欺诈）。

Answer 1

增加您的样本量 (n>>100)。您从中采样的数据本身就是一个随机样本。通过随机选择创建子集本身就是一个随机过程。如果其中一个数据类的频率较低，那么问题在于您的样本量 (100) 太低。

如果您将替换标志更改为“True”并重复采样，则您正在执行一种称为引导的操作。假设完整的数据集代表真实的人口分布，此重采样将为您提供示例，说明对于较低的 n (n=100) 值可能会获得什么样的测量结果。

另一种选择是上面一些人建议的分层策略。但是，当您这样做时，您不会创建随机子集，并且分布假设现在已内置到您的较小数据集中。请注意，您只能在查看整个数据集以确定其分布后才能实现此目的。可能不是你想要的。

如果您要根据数据创建（监督）训练数据集，您可以重复代表性不足的数据来控制偏差。