媒体网站的品牌建设,上传完wordpress程序不知道后台,互联网网站有哪些,网站的题目推荐阅读时间#xff1a;5min~12min主要内容#xff1a;机器学习中样本比例不平衡的处理方法在机器学习中#xff0c;常常会遇到样本比例不平衡的问题#xff0c;如对于一个二分类问题#xff0c;正负样本的比例是 10:1。这种现象往往是由于本身数据来源决定的#xff0c… 推荐阅读时间5min~12min主要内容机器学习中样本比例不平衡的处理方法在机器学习中常常会遇到样本比例不平衡的问题如对于一个二分类问题正负样本的比例是 10:1。这种现象往往是由于本身数据来源决定的如信用卡的征信问题中往往就是正样本居多。样本比例不平衡往往会带来不少问题但是实际获取的数据又往往是不平衡的因此本文主要讨论面对样本不平衡时的解决方法。样本不平衡往往会导致模型对样本数较多的分类造成过拟合即总是将样本分到了样本数较多的分类中除此之外一个典型的问题就是 Accuracy Paradox这个问题指的是模型的对样本预测的准确率很高但是模型的泛化能力差。其原因是模型将大多数的样本都归类为样本数较多的那一类如下所示准确率为而假如将所有的样本都归为预测为负样本准确率会进一步上升但是这样的模型显然是不好的实际上模型已经对这个不平衡的样本过拟合了。针对样本的不平衡问题有以下几种常见的解决思路搜集更多的数据改变评判指标对数据进行采样合成样本改变样本权重1搜集更多的数据搜集更多的数据从而让正负样本的比例平衡这种方法往往是最被忽视的方法然而实际上当搜集数据的代价不大时这种方法是最有效的。但是需要注意当搜集数据的场景本来产生数据的比例就是不平衡时这种方法并不能解决数据比例不平衡问题。2 改变评判指标改变评判指标也就是不用准确率来评判和选择模型原因就是我们上面提到的 Accuracy Paradox 问题。实际上有一些评判指标就是专门解决样本不平衡时的评判问题的如准确率召回率F1值ROCAUCKappa 等。根据这篇文章ROC 曲线具有不随样本比例而改变的良好性质因此能够在样本比例不平衡的情况下较好地反映出分类器的优劣。关于评判指标更详细的内容可参考文章 Classification Accuracy is Not Enough: More Performance Measures You Can Use3对数据进行采样对数据采样可以有针对性地改变数据中样本的比例采样一般有两种方式over-sampling和 under-sampling前者是增加样本数较少的样本其方式是直接复制原来的样本而后者是减少样本数较多的样本其方式是丢弃这些多余的样本。通常来说当总样本数目较多的时候考虑 under-sampling而样本数数目较少的时候考虑 over-sampling。关于数据采样更详细的内容可参考 Oversampling and undersampling in data analysis4合成样本合成样本(Synthetic Samples)是为了增加样本数目较少的那一类的样本合成指的是通过组合已有的样本的各个 feature 从而产生新的样本。一种最简单的方法就是从各个 feature 中随机选出一个已有值然后拼接成一个新的样本这种方法增加了样本数目较少的类别的样本数作用与上面提到的 over-sampling方法一样不同点在于上面的方法是单纯的复制样本而这里则是拼接得到新的样本。这类方法中的具有代表性的方法是 SMOTESynthetic Minority Over-sampling Technique这个方法通过在相似样本中进行 feature 的随机选择并拼接出新的样本。关于 SMOTE 更详细的信息可参考论文 SMOTE: Synthetic Minority Over-sampling Technique5改变样本权重改变样本权重指的是增大样本数较少类别的样本的权重当这样的样本被误分时其损失值要乘上相应的权重从而让分类器更加关注这一类数目较少的样本。参考更多文章请访问http://wulc.me/8 Tactics to Combat Imbalanced Classes in Your Machine Learning DatasetIn classification, how do you handle an unbalanced training set?
