有关不平衡学习与SMOTE算法

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

因为最近的任务中运用到了Smote算法，但是我找了网上好多帖子都没有解决问题，因此去阅读了imblearn库的User guide。然后在这边写下所得到的知识以及掌握了的算法，可以供大家学习与参考。还有感觉在网上查到的帖子很多SMOTE算法都只是用于二分类任务的，但是尝试之后发现是可以用于多分类任务的,但是所带的特征要对应。

一、有关上采样和Smote算法？

**

1、上采样

**
按照我的理解来讲就是，因为在我的不平衡数据集中，有一类样本比较少，有一类样本多，就想办法把少类的样本增多就可。最简单的做法就是通过随机抽样和替换当前可用样本来生成新样本。

from sklearn.datasets import make_classification
from collections import Counter
X, y = make_classification(n_samples=5000, n_features=2, n_informative=2,
                           n_redundant=0, n_repeated=0, n_classes=3,
                           n_clusters_per_class=1,
                           weights=[0.01, 0.05, 0.94],
                           class_sep=0.8, random_state=0)
from imblearn.over_sampling import RandomOverSampler
ros = RandomOverSampler(random_state=0)
print("采样之前的样本个数为:")
print(sorted(Counter(y).items()))
X_resampled, y_resampled = ros.fit_resample(X, y)
print("采样之后的样本个数为:")
print(sorted(Counter(y_resampled).items()))

采样之前的样本个数为:
[(0, 64), (1, 262), (2, 4674)]
采样之后的样本个数为:
[(0, 4674), (1, 4674), (2, 4674)]

这是从官网截取下来的代码，这里可以看到，总共是需要一个X,一个y。这时候我们就会在想X，和y到底是什么。然后我就试着输出了一下。

X就是一个二维列表，应该是样本的特征，而y就是样本具体的值了，这个生成的数据集中共有三类，包括2、1、0。但是可以看出2是多数类，0比较少。而上采样的做法就是生成了很多0类和1类使之与多数的2类样本个数一样。

此外，值得一提的是，在imblearn库所提供的RandomOverSampling也支持对于异构数据进行采样（例如，包含一些字符串）

import numpy as np
X_hetero = np.array([['xxx', 1, 1.0], ['yyy', 2, 2.0], ['zzz', 3, 3.0]],
                    dtype=object)
y_hetero = np.array([0, 0, 1])
X_resampled, y_resampled = ros.fit_resample(X_hetero, y_hetero)
print(X_resampled)
print(y_resampled)

输出的结果为：

[['xxx' 1 1.0]
 ['yyy' 2 2.0]
 ['zzz' 3 3.0]
 ['zzz' 3 3.0]]
[0 0 1 1]

这给我们的启示就是，在使用RandomOverSampling的时候其实X是不必进行编码的，可以是异构数据。y与之对应的就是我们数据集中类型id，可以依据类型id所做复制。这给我们带来了很大的方便啊啊啊！！因为我之前所输入的X想了好久还进行了编码处理。

2、SMOTE算法

SMOTE算法是现在非常流行的一种上采样的方法。使用RandomOverSampling方法是复制，而SMOTE 和 ADASYN 通过插值生成新样本。因为现在暂时只是在使用SMOTE算法，所以就先不介绍ADASYN算法惹，之后用到再进行补充。下面用的也是生成的数据，然后生成的是三类，控制了样本比例。值得注意的是，如果是多分类任务，想要得到的目标样本数量要使用字典，要不然就会报错。

from sklearn.datasets import make_classification
from collections import Counter
X, y = make_classification(n_samples=5000, n_features=2, n_informative=2,
                            n_redundant=0, n_repeated=0, n_classes=3,
                            n_clusters_per_class=1,
                           weights=[0.01, 0.05, 0.94],
                            class_sep=0.8, random_state=0)
print("采样之前的样本数为：")
print(Counter(y))
from imblearn.over_sampling import SMOTE
sampling_strategy={0:3000,1:3000,2:4674}
oversampler=SMOTE(sampling_strategy=sampling_strategy,random_state=0,k_neighbors=2,n_jobs=1)

X_resampled, y_resampled = oversampler.fit_resample(X, y)
print("采样后的样本数为：")
print(Counter(y_resampled))

采样之前的样本数为：
Counter({2: 4674, 1: 262, 0: 64})
采样后的样本数为：
Counter({2: 4674, 1: 3000, 0: 3000})

其中 sampling_strategy可以选择以下几种，这是我在其他帖子中看到的：

‘majority’：resample only the majority class； 仅仅重新采样多数类
‘not minority’：resample all classes but the minority class； 重采样所有类别除了少数类
‘not majority’：resample all classes but the majority class； 重采样所有类别除了多数类
‘all’：resample all classes； 重采样所有类别
‘auto’：equivalent to ‘not minority’。 等价于not minority

二、如果是使用真实的数据集（类似文本分类任务？）

我尝试了一下，就是如果是特征值是字符串的话，只有RandomOverSampling可以，SMOTE算法要报错。具体的错误如下。所以我浅浅地认为好像是不行的，但是我如果把SMOTE换成ROS就是可以的。所以我们在处理文本数据的时候应该是要做预处理的。

预处理我用的是from sklearn.preprocessing import LabelEncoder，来进行标签的编码，应该只是很简单的处理。

for col in ["ID"]:
    le = LabelEncoder()
    le.fit(df[col])
    row = le.transform(df[col])
    df[col] = row + index
    index = max(row) + 1

总结

以上就是今天要讲的内容，本文仅仅简单介绍了RandomOverSampling和SMOTE算法的使用，我也正在探索当中，所以如果哪里有错误，欢迎大家批评指正！！！我们一起交流一起进步！！！之后如果学到更多的，我会继续跟进的！！

参考

https://www.jianshu.com/p/3eac447b7261