如何在 R 中对数据集中的实例进行过采样

Question

我有一个包含 20 个类的数据集，它的分布非常不均匀。 R 中是否有任何功能可以让我们平衡数据集（也许是加权的）？

我想使用 Weka 的平衡数据进行分类。由于我的班级分布有偏差，如果没有单一的多数班级，我希望能获得更好的成绩。

我曾尝试使用 SMOTE 过滤器和重采样过滤器，但它们并不能完全满足我的要求。 我不想删除任何实例，重复就可以了。

Answer 1

我认为您的术语存在误解。您的问题的标题是指抽样，但问题文本涉及加权。

澄清一下：

通过抽样，您可以拥有比原始集合更少、相同或更多的实例；样本的唯一成员资格可以是原始集合的严格子集，也可以与原始集合相同（有替换 - 即重复）。

通过加权，您只需调整可能用于其他目的（例如采样、机器学习）的权重，以解决或施加与统一权重相关的某种（不）平衡。

我相信您指的是加权，但相同的答案应该适用于两种情况。如果观察的总数量是N，并且每个类的频率是 20 长向量 freq 的一个元素（例如，类 1 中的项目数是 freq[1]*N），那么只需使用权重向量1/freq 标准化权重。您可以通过一些常数来缩放它，例如N，虽然没关系。如果任何频率为 0 或非常接近它，您可以通过使用平滑计数向量来解决此问题（例如，Good-Turing 平滑）。

因此，每组都将占总重量的相等比例。