如何在 R 中平衡不平衡分类 1:1 与 SMOTE答案

【问题标题】：How to balance unbalanced classification 1:1 with SMOTE in R如何在 R 中平衡不平衡分类 1:1 与 SMOTE
【发布时间】：2016-08-07 16:32:27
【问题描述】：

我正在做二进制分类，我当前的目标类包括：坏：3126 好：25038

所以我希望坏（少数）示例的数量等于好示例的数量 (1:1)。所以 Bad 需要增加约 8 倍（额外的 21912 SMOTEd 实例），而不是增加大多数（Good）。我正在尝试的代码不会像目前一样保持 Good 的数量不变。

我尝试过的代码：

示例 1：

library(DMwR)
smoted_data <- SMOTE(targetclass~., data, perc.over=700, perc.under=0, k=5, learner=NULL)

示例 1 输出：坏：25008 好：0

示例 2：

smoted_data <- SMOTE(targetclass~., data, perc.over=700, k=5, learner=NULL)

示例 2 输出：坏：25008 好：43764

示例 3：

smoted_data <- SMOTE(targetclass~., data, perc.over=700, perc.under=100, k=5, learner=NULL)

示例 3 输出：坏：25008 好：21882

【问题讨论】：

标签： r machine-learning classification

【解决方案1】：

您可以尝试在 R 中使用 ROSE 包。

可查看带有示例的研究文章here

【讨论】：

谢谢。我一直在与其他软件包苦苦挣扎。这个按预期工作

【解决方案2】：

您应该使用 114.423 的 perc.under。由于 (700/100)x3126x(114.423/100)=25038.04。

但请注意，由于 SMOTE 对多数类进行随机欠采样，因此您将获得在多数类中具有重复项的新数据。也就是说，你的新数据会有 25038 个 GOOD 样本，但是和原始数据的 25038 个 GOOD 样本是不一样的。一些 GOOD 样本将不包含在内，而一些样本将在新生成的数据中重复。

【讨论】：

【解决方案3】：

我推荐你使用我正在开发的bimba 包。它在 CRAN 上尚不可用，但您可以从 github 轻松安装它。

您可以在其 github 页面上找到有关如何安装它的说明： https://github.com/RomeroBarata/bimba

对使用SMOTE 函数在bimba 中实现的数据的唯一限制是预测变量必须是数字，并且目标必须是保存数据的数据框的最后一列，并且只有两个值。

只要您的数据遵守这些限制，使用SMOTE 函数就很容易：

library(bimba)
smoted_data <- SMOTE(data, perc_min = 50, k = 5)

其中perc_min 指定在过采样后所需的少数类百分比（在这种情况下perc_min = 50 平衡类）。请注意，大多数类没有像 DMwR 包中那样被欠采样。

【讨论】：

【解决方案4】：

要使用SMOTE 实现 1:1 平衡，您需要这样做：

library(DMwR)
smoted_data <- SMOTE(targetclass~., data, perc.over=100)

我不得不承认，这在内置文档中似乎并不明显，但是如果您阅读原始文档，它会指出：

参数perc.over和perc.under控制数量少数类的过度抽样和多数类的抽样不足类，分别。

perc.over 通常是大于 100 的数字。对于属于少数类的原始数据集中的每个案例，perc.over/100 的新示例将创建类。如果 perc.over 是一个低于 100 的值而不是单个将以随机选择的比例生成案例（由 perc.over/100) 属于少数群体的案件原始数据集。

因此，当perc.over 为 100 时，您实际上创建了 1 个新示例 (100/100 = 1)。

perc.under 的默认值为 200，这就是您要保留的值。

参数perc.under控制比例将随机选择的多数类别的案例最终的“平衡”数据集。这个比例是相对于计算的新产生的少数类案件的数量。

prop.table(table(smoted_data$targetclass))
# returns 0.5  0.5

【讨论】：