如何处理机器学习中数据不平衡的分类问题

生信菜鸟团

发布于 2022-04-08 17:31:35

1.7K00

代码可运行

文章被收录于专栏：生信菜鸟团生信菜鸟团

运行总次数：0

代码可运行

数据不平衡的分类问题

机器学习中数据不平衡的分类问题很常见，如医学中的疾病诊断，患病的数据比例通常小于正常的；还有欺诈识别，垃圾邮件检测，异常值的检测等。而极端的数据不平衡通常会影响模型预测的准确性和泛化性能。

这里介绍几种处理不平衡数据的计算方法：

Oversample and downsample
Generating synthetic data, eg. SMOTE, ADASYN
GAN

方法

1. oversample and downsample

一种简单直接的方法是随机重采样 (randomly resample)，包括oversample和downsample。Oversample 即对少数组别重复取样，downsample 即从多数类中删除示例。但是，同时要注意Oversample可能导致某些模型过度拟合。downsample可能导致丢失对模型非常宝贵的信息。

可以利用python中imbalanced-learn package实现，如

## install and import package
conda install imbalanced-learn
import imblearn
print(imblearn.__version__)
# 0.9.0
from imblearn.over_sampling import RandomOverSampler
from imblearn.under_sampling import RandomUnderSampler

## define oversampling strategy
oversample = RandomOverSampler(sampling_strategy='minority')  #this strategy would oversampling the minority class to the same number with majority class
oversample2 = RandomOverSampler(sampling_strategy=0.5) #this strategy would oversampling the minority class to half the number of majority class

# define undersample strategy
undersample = RandomUnderSampler(sampling_strategy='majority')
# define undersample strategy
undersample2 = RandomUnderSampler(sampling_strategy=0.5)

这里定义产生一个极度不平衡的数据（1:100的二分类问题），以oversample为例看一下具体实现的过程：

# define dataset
from collections import Counter
from sklearn.datasets import make_classification
from imblearn.over_sampling import RandomOverSampler
# define dataset
X, y = make_classification(n_samples=10000, weights=[0.99], flip_y=0)
# summarize class distribution
print(Counter(y))
# >>> Counter({0: 9900, 1: 100})

# define oversampling strategy
oversample = RandomOverSampler(sampling_strategy='minority')
oversample2 = RandomOverSampler(sampling_strategy=0.5)
# fit and apply the transform
X_over, y_over = oversample.fit_resample(X, y)
# summarize class distribution
print(Counter(y_over))
# >>> Counter({0: 9900, 1: 9900})

X_over2, y_over2 = oversample2.fit_resample(X, y)
print(Counter(y_over2))
# >>>Counter({0: 9900, 1: 4950})

2. SMOTE

另一种处理数据不平衡的方法是可以从现有示例中合成新示例。如 SMOTE (Synthetic Minority Oversampling Technique) 即合成少数组别的过采样技术。相对于oversample直接对少数类群中复制示例，SMOTE是根据少数类别的数据产生了新的数据，属于数据增强（data augmentation ）的一种方法。它的工作原理是选择特征空间中接近的示例，在特征空间中的示例之间绘制一条线，并在该线的某个点处绘制一个新样本。具体来说，首先从少数类中随机选择一个例子，然后找到这个例子的 k 个最近的邻值（通常是 k=5）。随机选择一个邻值，并在特征空间中两个例子之间随机选择一个点，创建一个合成例子。

也可以通过python中imbalanced-learn package实现:

## import SMOTE package
from imblearn.over_sampling import SMOTE
## transform the dataset
oversample = SMOTE()
X, y = oversample.fit_resample(X, y)
## summarize the new class distribution
counter = Counter(y)
print(counter)

3. ADASYN

另一种oversample也是通过合成新样本的方法是ADASYN（Adaptive Synthetic Sampling）。它是通过生成与示例密度成反比的合成数据。即该方法在特征空间中少数示例密度低的区域生成更多合成示例，而在密度高的区域生成更少或不生成合成示例。

实现方法还可以通过python中imbalanced-learn package

## import ADASYN package
from imblearn.over_sampling import ADASYN
# transform the dataset
oversample = ADASYN()
X, y = oversample.fit_resample(X, y)
# summarize the new class distribution
counter = Counter(y)
print(counter)

4. GAN

最后介绍一种较新的方法—GAN (Generative Adversarial Networks) ，即生成对抗网络。其最初是为了从对抗训练过程中生成图像而发明的，是基于深度学习的一种数据增强方法。GAN 由两个组件组成，一个生成器和一个判别器。生成器试图生成与真实数据相似的数据，而鉴别器试图区分真实数据和生成的数据，GAN 的训练基于这两个组件之间的对抗性游戏。GAN同样也可以用于解决数据不平衡的问题上，如DCGAN（DOI: 10.23919/ChiCC.2018.8483334）用深度卷积网络实现GAN; SDGAN （DOI: 10.1109/TASE.2020.2967415）, ACGAN （arXiv:1610.09585v4) 等模型。

参考

https://github.com/scikit-learn-contrib/imbalanced-learn
https://imbalanced-learn.org/stable/user_guide.html#user-guide
https://machinelearningmastery.com/random-oversampling-and-undersampling-for-imbalanced-classification/
https://arxiv.org/abs/1106.1813
https://machinelearningmastery.com/smote-oversampling-for-imbalanced-classification/
https://ieeexplore.ieee.org/abstract/document/9411996
https://onlinelibrary.wiley.com/doi/10.1002/sam.11570?af=R
https://www.sciencedirect.com/science/article/pii/S1877050918314364