如何结合过采样和欠采样进行不平衡分类

2021-08-26T00:00:00+00:00

重采样方法旨在从训练数据集中添加或删除示例，以更改类别分布。

一旦类分布更加平衡，标准的机器学习分类算法套件，就可以成功地拟合在转换后的数据集上。

过采样方法在少数类中复制或创建新的合成示例，而欠采样方法则在多数类中删除或合并示例。两种类型的重采样在单独使用时都可以有效，但是当两种方法一起使用时可能更有效。

在本教程中，您将发现如何结合使用过采样和欠采样技术进行不平衡分类。

完成本教程后，您将知道：

如何定义一个应用于训练数据集或评估分类器模型时的，过采样和欠采样方法的序列。
如何手动组合过采样和欠采样方法，以实现不平衡分类。
如何使用预定义和性能良好的重采样方法组合，进行不平衡分类。

教程概述

本教程分为四个部分：

二进制测试问题和决策树模型
不平衡学习的库（Imbalanced-Learn Library）
手动组合过采样和欠采样方法
手动组合随机过采样和欠采样
手动结合SMOTE和随机欠采样
使用预定义的重采样方法组合
SMOTE和Tomek链接的组合欠采样
SMOTE和编辑最近邻居(ENN)欠采样的组合

二进制测试问题和决策树模型

在深入研究过采样和欠采样方法的组合之前，让我们定义一个综合数据集和模型。

我们可以使用scikit-learn库中的make_classification（）函数定义一个合成的二进制分类数据集。

例如，我们可以创建具有两个输入变量的，1：100类分布的10,000个示例，如下所示：

# define dataset
X, y = make_classification(n_samples=10000, n_features=2, n_redundant=0,
	n_clusters_per_class=1, weights=[0.99], flip_y=0, random_state=1)

然后，我们可以通过scatter（）Matplotlib函数创建数据集的散点图，以了解每个类中示例的空间关系及其不平衡。

# scatter plot of examples by class label
for label, _ in counter.items():
	row_ix = where(y == label)[0]
	pyplot.scatter(X[row_ix, 0], X[row_ix, 1], label=str(label))
pyplot.legend()
pyplot.show()

结合在一起，下面列出了创建不平衡分类数据集，并绘制图例的完整示例。

# Generate and plot a synthetic imbalanced classification dataset
from collections import Counter
from sklearn.datasets import make_classification
from matplotlib import pyplot
from numpy import where
# define dataset
X, y = make_classification(n_samples=10000, n_features=2, n_redundant=0,
	n_clusters_per_class=1, weights=[0.99], flip_y=0, random_state=1)
# summarize class distribution
counter = Counter(y)
print(counter)
# scatter plot of examples by class label
for label, _ in counter.items():
	row_ix = where(y == label)[0]
	pyplot.scatter(X[row_ix, 0], X[row_ix, 1], label=str(label))
pyplot.legend()
pyplot.show()

首先运行示例以总结类的分布，显示出大约1：100的类分布，其中约10,000个示例的类为0，而100个类的类为1。

Counter({0: 9900, 1: 100})

接下来，创建一个散点图，显示数据集中的所有示例。我们可以看到大量的0类（蓝色）示例和少量1类（橙色）示例。

我们还可以看到，与类1的一些示例明显重叠的一些示例，同时属于类0的部分的要素空间内。

图说：不平衡分类数据集的散点图我们可以在此数据集上拟合DecisionTreeClassifier模型。这是一个很好的测试模型，因为它对训练数据集中的分类分布敏感。

# define model
model = DecisionTreeClassifier()

我们可以使用重复三次，并具有10折的k折交叉验证来评估模型。

曲线下的ROC面积（AUC）度量可用于估计模型的性能。虽然它确实正确显示了模型性能的相对改进，但对于严重不平衡的数据集可能是乐观的。

# evaluates a decision tree model on the imbalanced dataset
from numpy import mean
from sklearn.datasets import make_classification
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
# generate 2 class dataset
X, y = make_classification(n_samples=10000, n_features=2, n_redundant=0,
	n_clusters_per_class=1, weights=[0.99], flip_y=0, random_state=1)
# define model
model = DecisionTreeClassifier()
# define evaluation procedure
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)
# evaluate model
scores = cross_val_score(model, X, y, scoring='roc_auc', cv=cv, n_jobs=-1)
# summarize performance
print('Mean ROC AUC: %.3f' % mean(scores))

运行示例将报告，数据集上决策树模型，在三次重复10倍交叉验证中的平均ROC AUC（例如，在30种不同模型评估中的平均值）。

鉴于学习算法和评估程序的随机性，您的具体结果会有所不同。尝试运行该示例几次。

在此示例中，您可以看到该模型的ROC AUC约为0.76。这提供了该数据集的基线，我们可以用来比较训练数据集上，过采样方法和欠采样方法的不同组合。

Mean ROC AUC: 0.762

现在我们有了测试问题，模型和测试工具，让我们看一下过采样和欠采样方法的手动组合。

不平衡学习库

在这些示例中，我们将使用不平衡学习Python库，可以通过pip如下安装：

sudo pip install imbalanced-learn

您可以通过打印已安装的库的版本，来确认安装成功：

# check version number
import imblearn
print(imblearn.__version__)

运行示例将打印已安装库的版本号；例如：

0.5.0

手动组合过采样和欠采样方法

学习不平衡的Python库提供了一系列重采样技术，以及Pipeline类，可用于创建组合的重采样方法序列，以应用于数据集。

我们可以使用Pipeline构造一系列过采样和欠采样技术以应用于数据集。例如：

# define resampling
over = 
under = 
# define pipeline
pipeline = Pipeline(steps=[('o', over), ('u', under)])

该Pipeline首先将过采样技术应用于数据集，然后在返回最终结果之前，将欠采样应用于已通过过采样转换的输出集上。它允许将转换按顺序堆叠或应用到数据集。

然后可以使用pipeline来转换数据集。例如：

# fit and apply the pipeline
X_resampled, y_resampled = pipeline.fit_resample(X, y)

或者，可以将模型添加为pipeline中的最后一步。

这允许将pipeline视为模型。当它拟合在训练数据集时，首先将变换应用于训练数据集，然后将变换后的数据集提供给模型，以便可以进行拟合。

# define model
model = 
# define resampling
over = 
under = 
# define pipeline
pipeline = Pipeline(steps=[('o', over), ('u', under), ('m', model)])

回想一下，重采样仅应用于训练数据集，而不是测试数据集。

当用于k折交叉验证时，将整个变换和拟合序列应用于由交叉验证折组成的每个训练数据集。这很重要，因为变换和拟合都在不了解预留数据集的情况下执行，从而避免了数据泄漏。例如：

# define evaluation procedure
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)
# evaluate model
scores = cross_val_score(pipeline, X, y, scoring='roc_auc', cv=cv, n_jobs=-1)

现在我们知道了如何手动组合重采样方法，下面让我们看两个示例。

手动组合随机过采样和欠采样

结合重采样技术的一个很好的起点，是从随机或幼稚的方法开始。

尽管它们很简单，并且在单独应用时通常无效，但结合使用它们可能会很有效。

随机过采样涉及在少数类别中随机复制示例，而随机欠采样涉及从多数类中随机删除示例。

由于这两个变换是在单独的类上执行的，因此将它们应用于训练数据集的顺序无关紧要。

下面的示例定义了一个pipeline，该pipeline首先将少数群体的样本过采样到多数群体的10％，然后将多数类别欠采样到少数群体的50％，然后拟合决策树模型。

# define model
model = DecisionTreeClassifier()
# define resampling
over = RandomOverSampler(sampling_strategy=0.1)
under = RandomUnderSampler(sampling_strategy=0.5)
# define pipeline
pipeline = Pipeline(steps=[('o', over), ('u', under), ('m', model)])

下面列出了，在2进制问题上，评估此组合的完整示例。

# combination of random oversampling and undersampling for imbalanced classification
from numpy import mean
from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
from sklearn.tree import DecisionTreeClassifier
from imblearn.pipeline import Pipeline
from imblearn.over_sampling import RandomOverSampler
from imblearn.under_sampling import RandomUnderSampler
# generate dataset
X, y = make_classification(n_samples=10000, n_features=2, n_redundant=0,
	n_clusters_per_class=1, weights=[0.99], flip_y=0, random_state=1)
# define model
model = DecisionTreeClassifier()
# define resampling
over = RandomOverSampler(sampling_strategy=0.1)
under = RandomUnderSampler(sampling_strategy=0.5)
# define pipeline
pipeline = Pipeline(steps=[('o', over), ('u', under), ('m', model)])
# define evaluation procedure
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)
# evaluate model
scores = cross_val_score(pipeline, X, y, scoring='roc_auc', cv=cv, n_jobs=-1)
# summarize performance
print('Mean ROC AUC: %.3f' % mean(scores))

通过运行示例，可以评估转换系统和模型，并将性能总结为平均ROC AUC。

由于学习算法，重采样算法和评估程序的随机性，您的具体结果会有所不同。尝试运行该示例几次。

在这种情况下，我们可以看到ROC AUC性能从0.76适度提升，没有任何变换，随机过采样和欠采样大约达到0.81。

Mean ROC AUC: 0.814

手动结合SMOTE和随机欠采样

我们不限于使用随机重采样方法。

也许最流行的过采样方法是合成少数类过采样技术，简称SMOTE。

SMOTE的工作方式是选择特征空间中较近的示例，在特征空间中的示例之间绘制一条线，并沿着该线绘制一个新样本作为点。

该技术的作者建议在少数类别上使用SMOTE，然后在多数类别上使用欠采样技术。

“SMOTE和欠采样的组合比纯欠采样性能更好。”

— SMOTE：综合少数类过采样技术，2011年。

我们可以将SMOTE与RandomUnderSampler结合使用。同样，这些过程的应用顺序并不重要，因为它们是在训练数据集的不同子集上执行的。

下面的pipeline实现了这种组合，首先应用SMOTE，将少数类别的分布提高到多数类别的10％，然后使用RandomUnderSampler将多数类别的比例降低到少数类别的50％，然后再安装DecisionTreeClassifier。

# define model
model = DecisionTreeClassifier()
# define pipeline
over = SMOTE(sampling_strategy=0.1)
under = RandomUnderSampler(sampling_strategy=0.5)
steps = [('o', over), ('u', under), ('m', model)]

下面的示例，在我们的不平衡二进制分类问题上评估了这种组合。

# combination of SMOTE and random undersampling for imbalanced classification
from numpy import mean
from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
from sklearn.tree import DecisionTreeClassifier
from imblearn.pipeline import Pipeline
from imblearn.over_sampling import SMOTE
from imblearn.under_sampling import RandomUnderSampler
# generate dataset
X, y = make_classification(n_samples=10000, n_features=2, n_redundant=0,
	n_clusters_per_class=1, weights=[0.99], flip_y=0, random_state=1)
# define model
model = DecisionTreeClassifier()
# define pipeline
over = SMOTE(sampling_strategy=0.1)
under = RandomUnderSampler(sampling_strategy=0.5)
steps = [('o', over), ('u', under), ('m', model)]
pipeline = Pipeline(steps=steps)
# define evaluation procedure
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)
# evaluate model
scores = cross_val_score(pipeline, X, y, scoring='roc_auc', cv=cv, n_jobs=-1)
# summarize performance
print('Mean ROC AUC: %.3f' % mean(scores))

通过运行示例，可以评估转换系统和模型，并将性能总结为平均ROC AUC。

由于学习算法，重采样算法和评估程序的随机性，您的具体结果会有所不同。尝试运行该示例几次。

在这种情况下，我们可以看到ROC AUC性能的另一个列表，从大约0.81到大约0.83。

Mean ROC AUC: 0.833

使用预定义的重采样方法组合

过采样和欠采样相结合方法，已经证明有效了，且他们结合一起，可被认为重采样技术。

两个示例是SMOTE与Tomek Link欠采样组合，以及SMOTE与Edited Nearest Neighbor欠采样的组合。

学习不平衡的Python库直接为这两种组合提供了实现。让我们依次仔细研究每个对象。

SMOTE和Tomek链接的组合欠采样

SMOTE是一种过采样方法，可以在多数类别中综合新的合理示例。

Tomek链接，是指一种用于识别数据集中具有不同类别的最近邻居对的方法。删除这些对中的一个或两个示例（例如，多数类中的示例）会降低训练数据集中的决策边界的噪音或歧义。

Gustavo Batista等，在2003年题为“ 针对关键字的自动注释的平衡训练数据：一个案例研究（Balancing Training Data for Automated Annotation of Keywords: a Case Study）”的论文中对这些方法进行了测试。

具体而言，首先使用SMOTE方法对少数类别进行过采样以达到平衡分布，然后从多数类别中识别并删除Tomek链接中的示例。

“在这项工作中，仅删除了参与Tomek链接的多数类实例，因为少数类实例被认为太少而无法丢弃。[…]在我们的工作中，由于人为地创建了少数派示例，且数据集已经被平衡，因此删除了构成Tomek链接的多数类和少数类示例。”

— 针对关键字的自动注释的平衡培训数据：一个案例研究，2003年。

事实表明，该组合可以减少误报，但会增加二进制分类任务的误报。

我们可以使用SMOTETomek类实现此组合。

# define resampling
resample = SMOTETomek()

可以通过“ smote ”“ smote ”“ smote ”参数设置SMOTE配置，并采用已配置的SMOTE实例。可以通过“ tomek”参数设置Tomek Links配置，并采用已配置的TomekLinks 对象。

默认设置是使数据集与SMOTE保持平衡，然后从所有类中删除Tomek链接。这是另一篇论文中使用的方法，该论文探索了这种组合，标题为“ 平衡机器学习训练数据的几种方法的行为研究”（“A Study of the Behavior of Several Methods for Balancing Machine Learning Training Data.”）。

…我们建议将Tomek链接应用于过采样的训练集，作为数据清理方法。因此，不仅删除构成Tomek链接的多数类示例，还删除了两个类中的示例。

— 平衡机器学习训练数据的几种方法的行为研究，2004年。

另种方法是，我们通过从多数类中删除链接，来配置组合。在2003年的论文中，这些链接被描述为，通过TomekLinks用“ sampling_strategy ”参数设置的示例，所特定的tomek，去仅仅欠采样多数类; 例如：

# define resampling
resample = SMOTETomek(tomek=TomekLinks(sampling_strategy='majority'))

我们可以使用，决策树分类器在二进制分类问题评估的这种组合重采样策略。

下面列出了完整的示例。

# combined SMOTE and Tomek Links resampling for imbalanced classification
from numpy import mean
from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
from imblearn.pipeline import Pipeline
from sklearn.tree import DecisionTreeClassifier
from imblearn.combine import SMOTETomek
from imblearn.under_sampling import TomekLinks
# generate dataset
X, y = make_classification(n_samples=10000, n_features=2, n_redundant=0,
	n_clusters_per_class=1, weights=[0.99], flip_y=0, random_state=1)
# define model
model = DecisionTreeClassifier()
# define resampling
resample = SMOTETomek(tomek=TomekLinks(sampling_strategy='majority'))
# define pipeline
pipeline = Pipeline(steps=[('r', resample), ('m', model)])
# define evaluation procedure
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)
# evaluate model
scores = cross_val_score(pipeline, X, y, scoring='roc_auc', cv=cv, n_jobs=-1)
# summarize performance
print('Mean ROC AUC: %.3f' % mean(scores))

通过运行示例，可以评估转换系统和模型，并将性能总结为平均ROC AUC。

由于学习算法，重采样算法和评估程序的随机性，您的具体结果会有所不同。尝试运行该示例几次。

在这种情况下，似乎此组合重采样策略对该数据集上的模型没有提供优势。

Mean ROC AUC: 0.815

SMOTE和ENN欠采样的组合

SMOTE可能是最流行的过采样技术，并且可以与许多不同的欠采样技术结合使用。

另一种非常流行的欠采样方法是“编辑最近邻”或“ ENN”规则。该规则涉及使用k = 3最近邻居来定位数据集中分类错误的，且随后被删除的那些示例。它可以应用于所有类，也可以应用于多数类中的那些示例。

Gustavo Batista等，对比其2004年“ 平衡机器学习训练数据的几种方法的行为研究 ”中使用的隔离方法，探索了过采样和欠采样方法的许多组合。

包括以下组合：

CNN+ Tomek链接
SMOTE + Tomek链接
SMOTE +ENN

关于最后的组合，作者评论说，ENM比Tomek Links在降低大多数类别的采样方面更具侵略性，提供了更深入的清理。他们应用了该方法，从多数和少数类别中删除了示例。

…ENN用于从两个类中删除示例。因此，任何被其三个最近邻居错误分类的示例都将从训练集中删除。

— 平衡机器学习训练数据的几种方法的行为研究，2004年。

这可以通过不平衡学习库中的SMOTEENN类实现。

# define resampling
resample = SMOTEENN()

SMOTE配置可以通过

smote

参数设置为SMOTE对象。配置ENN可以通过“ENN“参数，设置EditedNearestNeighbours 对象。SMOTE默认情况下是平衡分配，其次是ENN，默认情况下是从所有类中删除分类错误的示例。

我们可以改变ENN，使其仅从多数类，通过设置enn参数的说法为一个EditedNearestNeighbours示例（该示例有着sampling_strategy参数）从而设置多数类”。

# define resampling
resample = SMOTEENN(enn=EditedNearestNeighbours(sampling_strategy='majority'))

我们可以评估默认策略（在所有类中编辑示例），并使用决策树分类器对不平衡数据集进行评估。

下面列出了完整的示例。

# combined SMOTE and Edited Nearest Neighbors resampling for imbalanced classification
from numpy import mean
from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
from imblearn.pipeline import Pipeline
from sklearn.tree import DecisionTreeClassifier
from imblearn.combine import SMOTEENN
# generate dataset
X, y = make_classification(n_samples=10000, n_features=2, n_redundant=0,
	n_clusters_per_class=1, weights=[0.99], flip_y=0, random_state=1)
# define model
model = DecisionTreeClassifier()
# define resampling
resample = SMOTEENN()
# define pipeline
pipeline = Pipeline(steps=[('r', resample), ('m', model)])
# define evaluation procedure
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)
# evaluate model
scores = cross_val_score(pipeline, X, y, scoring='roc_auc', cv=cv, n_jobs=-1)
# summarize performance
print('Mean ROC AUC: %.3f' % mean(scores))

通过运行示例，可以评估转换系统和模型，并将性能总结为平均ROC AUC。

由于学习算法，重采样算法和评估程序的随机性，您的具体结果会有所不同。尝试运行该示例几次。

在这种情况下，通过随机欠采样方法，我们发现与SMOTE相比，性能会进一步提高，从大约0.81提高到大约0.85。

Mean ROC AUC: 0.856

该结果表明，编辑过采样的少数类别，可能也是一个很容易被忽略，但很重要的考虑因素。

这与2004年论文中的发现相同，作者发现使用Tomek Links的SMOTE和使用ENN的SMOTE在一系列数据集上表现良好。

我们的结果表明，特别是对于很少有阳性（少数）实例的数据集，总体而言，过采样方法以及Smote + Tomek和Smote + ENN（本工作中提出的两种方法），在实践中提供了很好的结果。

— 平衡机器学习训练数据的几种方法行为的研究，2004年。

编译：Florence Wong – AICUG
原文链接：https://zhuanlan.zhihu.com/p/159080497

Alitrack ML

如何结合过采样和欠采样进行不平衡分类