使用 SMOTE 创建 1:1 平衡数据集，而不修改 R 中多数类的观察结果

Question

我正在研究一个二元分类问题，我有一个不平衡的数据集。我想创建一个新的更平衡的数据集，每个类有 50% 的观察。为此，我在 R 中使用由DMwR library 提供的 SMOTE 算法。

在新的数据集中，我想保持多数类的观察值不变。

但是，我遇到了两个问题：

1. SMOTE 减少或增加多数类别的观察数量（我只想增加少数类别的数量）。
2. SMOTE 生成的一些观测值包含 NA 值。

假设我有 20 个观察值：多数类中有 17 个观察值，少数类只有 3 个观察值。这是我的代码：

library(DMwR)
library(dplyr)

sample_data <- data.frame(matrix(rnorm(200), nrow=20))
sample_data[1:17,"X10"] <- 0
sample_data[18:20,"X10"] <- 1
sample_data[,ncol(sample_data)] <- factor(sample_data[,ncol(sample_data)], levels = c('1','0'), labels = c('Yes','No'))
newDataSet <- SMOTE(X10 ~., sample_data, perc.over = 400, perc.under = 100)

在我的代码中，我修复了 perc.over = 400 以创建 12 个少数类的新观察值，并修复了 perc.under = 100 以保持多数类没有变化。

但是，当我检查 newDataSet 时，我观察到 SMOTE 将多数类的数量从 17 减少到 12。此外，一些生成的观察值具有 NA 值。

得到的结果如下图所示：

Answer 1

根据?SMOTE：

对于原始数据集中属于少数类的每个案例， perc.over/100 将创建该类的新示例。

此外：

例如，如果为少数人生成了 200 个新示例 类， perc.under 的值 100 将随机选择 200 属于多数类的案例从原始数据集中到 属于最终数据集。

因此，在您的情况下，您是：

1. 创建 12 个新的Yes（除了原来的）。
2. 随机选择12个No。

包含 NA 的新 Yes 可能与 SMOTE 的 k 参数有关。根据?SMOTE：

k：一个数字，表示使用的最近邻居的数量 生成少数类的新示例。

它的默认值为 5，但在您的原始数据中，您只有 3 个Yes。设置k = 2 似乎可以解决这个问题。

最后的评论：为了实现您的目标，我将使用 SMOTE 仅增加少数类的观察数量（perc.over = 400 或 500）。然后，您可以将它们与多数类的原始观察结果结合起来。