过采样：Python 中二进制和分类数据的 SMOTE答案

【问题标题】：Oversampling: SMOTE for binary and categorical data in Python过采样：Python 中二进制和分类数据的 SMOTE
【发布时间】：2018-05-19 05:50:54
【问题描述】：

我想将 SMOTE 应用于包含二进制、分类和连续数据的不平衡数据集。有没有办法将 SMOTE 应用于二进制和分类数据？

【问题讨论】：

标签： python-3.x imputation

【解决方案1】：

根据文档，现在可以使用 SMOTENC 来实现。 SMOTE-NC 能够处理分类和连续特征的混合。

这是来自documentation的代码：

from imblearn.over_sampling import SMOTENC
smote_nc = SMOTENC(categorical_features=[0, 2], random_state=0)
X_resampled, y_resampled = smote_nc.fit_resample(X, y)

【讨论】：

您好，如果数据集具有离散和分类特征，您知道我应该使用什么吗？
您只需要在第二行提到上面提到的分类特征索引。离散的功能，它会自动照顾。
您好，我也有类似的问题。如果您有时间，可以在此相关帖子上请求您的帮助吗？ stackoverflow.com/questions/71193740/…

【解决方案2】：

截至 2018 年 1 月，此问题尚未在 Python 中实现。以下是来自团队的reference。事实上，如果有人想实施，他们愿意接受提案。

Chawla & Bowyer 的 paper (web archive) 对于那些对这个持续性问题有学术兴趣的人，在第 6.1 节中解决了这个 SMOTE-Non Continuous 抽样问题。

更新：此功能已于 2018 年 10 月 21 日实施。服务请求现已关闭。

【讨论】：

链接到纸张已损坏，但可以在此处找到 Wayback Machine 中最新版本的链接：web.archive.org/web/20180413091607/https://www.jair.org/media/…

【解决方案3】：

因此，根据文档，SMOTE 尚不支持 Python 中的分类数据，并提供连续输出。

您可以采用一种解决方法，将分类变量转换为整数并使用 SMOTE。

然后使用np.round(X_train[categorical_variables]) 将它们转换回各自的分类值。

【讨论】：

此解决方案不太适合顺序无意义的名义数据。例如，我们将女装、汽车、女鞋类编码为 0、1、2。然后，使用 SMOTE，我们抽取 2 个样本，其中一个具有类别 0，另一个具有类别 2，我们最终进行插值，使得舍入值为 1。最终结果将是我们生成的数据样本被分类为 ' Car'类，而父母属于女装女鞋，完全没有意义。
能否将分类数据转换成one-hot-encoding然后应用SMOTE。
现在，这个功能已经被他们以SMOTENC的形式发布了，它可以处理数字和分类变量