SMOTETomek - 如何将比率设置为固定余额的字典

Question

我尝试使用这种技术来纠正非常不平衡的类。

我的数据集有类，例如：

In [123]:
data['CON_CHURN_TOTAL'].value_counts()

Out[123]:
0    100
1     10
Name: CON_CHURN_TOTAL, dtype: int64

我想使用 SMOTETomek 在样本 0-class 和样本 1-class 之下达到 80 : 20 的比率。但是，我找不到更正字典的方法。当然，在完整代码中，80:20 的比例将根据行数计算。

当我尝试时：

from imblearn.combine import SMOTETomek
smt = SMOTETomek(ratio={1:20, 0:80})

我有错误：

ValueError：使用过采样方法时，a 中的样本数 类应该大于或等于原始样本数。 原来是100个样本，求80个样本。

但是这种方法应该适合同时进行欠采样和过采样。

很遗憾，由于 404 错误，documentary 现在无法正常工作。

Answer 1

我又遇到了问题，所以我直接在不平衡学习github上问了这个问题。

这里是完整答案：github.com/scikit-learn-contrib/imbalanced-learn

最重要的：

SMOTETomek 没有做你想做的事。

SMOTETomek 应用 SMOTE，然后删除 Tomek 链接，而不是 同时进行过采样和欠采样。

请注意，您无法定义要在何时使用的样本数 使用托梅克： http://imbalanced-learn.org/en/stable/under_sampling.html#tomek-s-links

如果您真的想要欠采样，您可以通过管道传输 2 个采样器：

from sklearn.datasets import load_breast_cancer
import pandas as pd
from imblearn.pipeline import make_pipeline
from imblearn.over_sampling import SMOTE
from imblearn.under_sampling import NearMiss

data = load_breast_cancer()
X = pd.DataFrame(data=data.data, columns=data.feature_names)

count_class_0 = 300
count_class_1 = 300
pipe = make_pipeline(
    SMOTE(sampling_strategy={0: count_class_0}),
    NearMiss(sampling_strategy={1: count_class_1}
)

X_smt, y_smt = pipe.fit_resample(X, data.target)