多类分类问题中的不平衡类答案

【问题标题】：Imbalanced classes in multi-class classification problem多类分类问题中的不平衡类
【发布时间】：2018-09-18 10:00:09
【问题描述】：

我正在尝试使用 TensorFlow 的 DNNClassifier 来解决具有 4 个不同类的多类 (softmax) 分类问题。我有一个不平衡的数据集，分布如下：

0 级：14.8%
1 类：35.2%
2 类：27.8%
第 3 类：22.2%

如何为每个类分配 DNNClassifier 的 weight_column 的权重？我知道如何编写代码，但我想知道我应该为每个类赋予什么值。

【问题讨论】：

标签： tensorflow machine-learning keras deep-learning neural-network

【解决方案1】：

有多种选项可以为不平衡分类问题建立权重。最常见的一种方法是直接使用训练中的类数来估计样本权重。这个选项很容易被sklearn 计算出来。 “平衡”模式使用 y 的值自动调整与类频率成反比的权重。

我们在下面的示例中尝试做的是“合并”compute_sample_weight 方法来拟合我们的 DNNClassifier。作为标签分布，我使用了问题中表达的相同

import numpy as np
import pandas as pd
import tensorflow as tf
from sklearn.utils.class_weight import compute_sample_weight

train_size = 1000
test_size = 200
columns = 30

## create train data
y_train = np.random.choice([0,1,2,3], train_size, p=[0.15, 0.35, 0.28, 0.22])
x_train = pd.DataFrame(np.random.uniform(0,1, (train_size,columns)).astype('float32'))
x_train.columns = [str(i) for i in range(columns)]

## create train weights
weight = compute_sample_weight(class_weight='balanced', y=y_train)
x_train['weight'] = weight.astype('float32')

## create test data
y_test = np.random.choice([0,1,2,3], test_size, p=[0.15, 0.35, 0.28, 0.22])
x_test = pd.DataFrame(np.random.uniform(0,1, (test_size,columns)).astype('float32'))
x_test.columns = [str(i) for i in range(columns)]

## create test weights
x_test['weight'] = np.ones(len(y_test)).astype('float32') ## set them all to 1

## utility functions to pass data to DNNClassifier
def train_input_fn():
    dataset = tf.data.Dataset.from_tensor_slices((dict(x_train), y_train))
    dataset = dataset.shuffle(1000).repeat().batch(10)
    return dataset

def eval_input_fn():
    dataset = tf.data.Dataset.from_tensor_slices((dict(x_test), y_test))
    return dataset.shuffle(1000).repeat().batch(10)

## define DNNClassifier
classifier = tf.estimator.DNNClassifier(
    feature_columns=[tf.feature_column.numeric_column(str(i), shape=[1]) for i in range(columns)],
    weight_column = tf.feature_column.numeric_column('weight'),
    hidden_units=[10],
    n_classes=4,
)

## train DNNClassifier
classifier.train(input_fn=lambda: train_input_fn(), steps=100)

## make evaluation
eval_results = classifier.evaluate(input_fn=eval_input_fn, steps=1)

考虑到我们的权重是作为目标函数构建的，我们必须在测试数据中将它们设置为 1，因为标签是未知的。

【讨论】：

【解决方案2】：

我强烈建议您使用欠采样（如果您有足够的数据这样做）或使用 SMOTE 过采样，在 imblearn 库中，您可以找到它here

作为一名经验丰富的 ML 工程师，我可以说任何“加权”方法都不适合您，XGBoost 有一个名为 scale_pos_weight 的参数，或者您可以使用带有 class_weight="balanced" 的逻辑回归，但它们相当无关紧要，因为问题不在于估算器，而在于您的数据。所以我强烈建议你使用你的数据而不是分配权重。

【讨论】：

【解决方案3】：

您可以尝试以下公式来平衡所有类别：

weight_for_class_X = total_samples_size / size_of_class_X / num_classes

例如：

num_CLASS_0: 10000   
num_CLASS_1: 1000
num_CLASS_2: 100

wgt_for_0 = 11100 / 10000 / 3 = 0.37  
wgt_for_1 = 11100 / 1000 / 3 = 3.7
wgt_for_2 = 11100 / 100 / 3 = 37

# so after one epoch training the total weights of each class will be:
total_wgt_of_0 = 0.37 * 10000 = 3700
total_wgt_of_1 = 3.7 * 1000 = 3700
total_wgt_of_2 = 37 * 100 = 3700

【讨论】：