SMOTE | 使用SMOTE算法来处理不平衡数据的问题

  • 需求
    在学习机器学习识别信用卡欺诈交易这个项目的时候,样本数据集非常不平衡:
python 复制代码
data_df_new['Class'].value_counts()
  • 0: 正常 1:欺诈

在这里了解到了SMOTE算法:

  • 过采样(Oversampling)
    过采样是指增加少数类( minority class)的样本数量,使其与多数类( majority class)的样本数量相当或接近。这可以通过以下方式实现:
  1. 随机过采样:随机复制少数类的样本,直到达到期望的数量。
  2. SMOTE(Synthetic Minority Over-sampling Technique):生成合成新的少数类样本,而不是简单地复制现有样本,以减少过拟合的风险。
  3. ADASYN(Adaptive Synthetic Sampling):基于现有少数类样本生成新的合成样本,使用核方法或SMOTE算法。
  • 欠采样(Undersampling)
    欠采样是指减少多数类的样本数量,使其与少数类的样本数量相当或接近。这可以通过以下方式实现:
  1. 随机欠采样:随机选择多数类的样本,直到其数量与少数类相等。
  2. 基于聚类的欠采样:识别并移除多数类中的一些样本,特别是那些在特征空间中紧密聚集的样本,以减少信息损失。
  3. 基于邻近的欠采样:移除那些在特征空间中与少数类样本邻近的多数类样本,以保持类别之间的边界清晰。

在文章探索SMOTE算法中,你可以从0->1使用python跟着作者走一遍如何使用该方法来处理不平衡的数据集。

python 复制代码
data_df_new.shape

(284807, 19)

python 复制代码
# 构建自变量和因变量
X = data_df_new[x_feature]
y = data_df_new["Class"]

n_sample = y.shape[0]
n_pos_sample = y[y == 1].shape[0]
n_neg_sample = y[y == 0].shape[0]
print('样本个数:{}; 正样本占{:.2%}; 负样本占{:.2%}'.format(n_sample,
                                                   n_pos_sample / n_sample,
                                                   n_neg_sample / n_sample))
print('特征维数:', X.shape[1])

样本个数:284807; 正样本占0.17%; 负样本占99.83%

特征维数: 18

python 复制代码
from imblearn.over_sampling import SMOTE # 导入SMOTE算法模块
# 处理不平衡数据
sm = SMOTE(random_state=42)    # 处理过采样的方法
X, y = sm.fit_resample(X, y)
print('通过SMOTE方法平衡正负样本后')
n_sample = y.shape[0]
n_pos_sample = y[y == 1].shape[0]
n_neg_sample = y[y == 0].shape[0]
print('样本个数:{}; 正样本占{:.2%}; 负样本占{:.2%}'.format(n_sample,
                                                   n_pos_sample / n_sample,
                                                   n_neg_sample / n_sample))
print('特征维数:', X.shape[1])

通过SMOTE方法平衡正负样本后

样本个数:568630; 正样本占50.00%; 负样本占50.00%

特征维数: 18

分类场景样本不均衡:本案例中针对正样本不足的数据,采用SMOTE算法进行过采样

相关推荐
居7然3 分钟前
DeepSeek OCR:重新定义AI文档处理的“降本增效”新范式
人工智能·算法·语言模型·自然语言处理·大模型·ocr
while(1){yan}11 分钟前
数据结构之堆
数据结构·python·算法
SleepyWhite00143 分钟前
代码随想录Day61|Floyd 算法精讲、A * 算法精讲
算法·floyd算法·astar算法
Miraitowa_cheems1 小时前
LeetCode算法日记 - Day 84: 乘积为正数的最长子数组长度
数据结构·算法·leetcode·贪心算法·线性回归·深度优先·动态规划
不是老弟1 小时前
rwqsd
数据结构·c++·算法
小龙报1 小时前
《C语言疑难点 --- 字符函数和字符串函数专题(上)》
c语言·开发语言·c++·算法·学习方法·业界资讯·visual studio
zbh06042 小时前
洛谷P5788 【模板】单调栈——单调栈
数据结构·算法
moonsims3 小时前
Z3 Technology-适用于无人机和机器人的 4K 高清摄像机和视频编码器
算法
摘星编程3 小时前
深入浅出 Tokio 源码:掌握 Rust 异步编程的底层逻辑
网络·算法·rust·系统编程·tokio