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
C++ 老炮儿的技术栈13 分钟前
UDP 与 TCP 的区别是什么?
开发语言·c++·windows·算法·visual studio
殇者知忧15 分钟前
【论文笔记】若干矿井粉尘检测算法概述
深度学习·神经网络·算法·随机森林·机器学习·支持向量机·计算机视觉
mochensage2 小时前
C++信息学竞赛中常用函数的一般用法
java·c++·算法
chengooooooo2 小时前
leetcode Top100 238. 除自身以外数组的乘积|数组系列
算法·leetcode
GUIQU.2 小时前
【每日一题 | 2025年6.2 ~ 6.8】第16届蓝桥杯部分偏简单题
算法·蓝桥杯·每日一题
weixin_527550403 小时前
初级程序员入门指南
javascript·python·算法
嘉陵妹妹5 小时前
深度优先算法学习
学习·算法·深度优先
GalaxyPokemon5 小时前
LeetCode - 53. 最大子数组和
算法·leetcode·职场和发展
hn小菜鸡6 小时前
LeetCode 1356.根据数字二进制下1的数目排序
数据结构·算法·leetcode
zhuiQiuMX6 小时前
分享今天做的力扣SQL题
sql·算法·leetcode