[1] 样本不均衡问题及其解决办法

1 样本不均衡的问题

对分类的影响：分类模型中，模型更偏向对多数类的预测概率，从而导致少数类的预测精度大幅度下降，虽然整体来看精度很好，但这与实际工作不符。

通过make_classification方法创建随机的n类分类数据集

from sklearn.datasets import make_classification
X, y = make_classification(n_samples=5000, #样本总数
                            n_features=2, #特征数（包含信息特征数、冗余特征数）
                            n_informative=2, #信息特征数
                            n_redundant=0, #冗余特征数
                            n_repeated=0, #从信息特征数和冗余特征数中重复抽取的数目
                            n_classes=3, #类别数
                            n_clusters_per_class=1, #每个类的聚类数
                            weights=[0.05, 0.1, 0.85], #每个类的概率
                            class_sep=0.8, #值越大，类与类之间分的越开
                            random_state=0) #随机种子

该数据集分布情况如下：

此时不同类的数据分布相对紧密，易于分类。

2 imbalanced-learn库

安装代码：

conda install -c conda-forge imbalanced-learn

环境依赖：

注意一定要检查环境依赖，之前在深度学习的环境里安装的时候因为某几个库的版本过高，导致最后没安装成功。

网址：

https://imbalanced-learn.org/stable/references/index.html

imbalanced库中提供：

• 过采样算法
• 欠采样算法
• 不平衡的数据集
• 解决数据不平衡问题的集成算法
• 工具
• 数据不平衡的解决案例

但是我们需要谨慎使用这些算法，因为它们往往会改变数据的原始分布。

3 重采样

3.1 欠采样

目的：减少多数类的数量。

3.1.1 随机欠采样

原理：从多数类中随机选择一些样样本组成样本集。
代码：

under_random = RandomUnderSampler(random_state = 1, sampling_strategy='auto')

3.1.2 NearMiss算法

原理：

• NearMiss-1：在多数样本中选择出与少数样本最近的K个样本的平均距离最小的样本。
• NearMiss-2：在多数样本中选择出与少数样本最远的K个样本的平均距离最小的样本。
• NearMiss-3：对于每个少数类别样本，选择离它近的K个多数类别样本。

代码：

under_nm1 = NearMiss(version = 1, n_neighbors = 3)
under_nm2 = NearMiss(version = 2, n_neighbors = 3)
under_nm3 = NearMiss(version = 3, n_neighbors = 3)

3.1.3 ENN

原理：遍历多数类的样本，如果他的大部分k近邻样本都跟他自己本身的类别不一样，我们就将他删除。
代码：

under_enn1 = EditedNearestNeighbours(kind_sel="all") #default
under_enn2 = EditedNearestNeighbours(kind_sel="mode")

参数kind_sel:

• ‘all’：所有k个近邻点都不属于多数类
• ‘mode’：超过半数的近邻点不属于多数类

3.1.4 RENN

原理：重复以上ENN的过程直到没有样本可以被删除。
代码：

under_renn = RepeatedEditedNearestNeighbours()

3.1.5 Tomek Link Removal

原理：将组成Tomek link的两个样本，如果有一个属于多数类样本，就将该多数类样本删除掉。
![[Pasted image 20230308131428.png|300]]
代码：

under_tlr = TomekLinks()

3.2 欠采样

目的：为少数类别增加新样本

3.2.1 随机过采样

原理：在少数类中选择部分样本进行复制，从而扩大少数累的样本量
代码：

over_random = RandomOverSampler(random_state = 1, sampling_strategy='auto')

3.2.2 SMOTE

原理：对随机过采样方法的一个改进算法，通过对少数类样本进行插值来产生更多的少数类样本。
缺点：

• 生成的样本可能重叠
• SMOTE算法对于每个原少数类样本产生相同数量的合成数据样本，而没有考虑其邻近样本的分布特点
  代码：

over_somte = SMOTE(sampling_strategy='auto', random_state = 1, k_neighbors = 3)

3.2.3 BorderlineSMOTE

原理：将样本分为safe、danger、noise，仅对danger的样本进行smote采样

1. Noise： 所有的k近邻个样本都属于多数类；
2. Danger ： 超过一半的k近邻样本属于多数类；
3. Safe： 超过一半的k近邻样本属于少数类。

代码：

over_blsmote = BorderlineSMOTE(sampling_strategy='auto', random_state = 1, k_neighbors = 3)

3.2.4 ADASYN

原理：就是对不同的样本赋予不同的权重，从而通过smote算法生成不同数量的样本，往往样本k近邻上的多数类样本越多，该样本生成的样本也越多
代码：

over_adasyn = ADASYN(sampling_strategy='auto', random_state = 1, n_neighbors = 3)

以及部分数据增强的方法

3.3 过采样和欠采样结合

原理：由于在过采样的过程中，会出现重复样本，因此需要欠采样中的数据清洗方法对重复样本进行剔除。先进行过采样，再通过欠采样中的算法对重复样本进行剔除
代码：

steps1 = [('o',over_somte),('u',under_tlr)]
pipeline1 = Pipeline(steps = steps1)

4 数据增强

4.1 图像领域数据增强方法

4.1.1 几何变换

翻转，旋转，裁剪（Cutout），变形，缩放

4.1.2 像素变换

噪声、模糊、颜色变换、擦除、填充

4.1.3 经典数据增强模型

• SamplePairing
• Random Erasing Data Augmentation（随机擦除数据增强）
• RandAugment（随机增强）
• cutout、mixup、cutmix
• Mosaic Data Augmentation（马赛克数据增强）

4.1.4 经典生成模型

• GAN（生成对抗网络）
• VAE（变分自编码器模型）

4.1.5 学习增强策略

• Autoaugmentation（Google提出的自动选择最优数据增强方案）

4.2 文本数据增强模型

• Easy Data Augmentation(EDA)：EDA是一种简单但非常有效的方法，具体包括随机替换，随机插入，随机交换，随机删除等。
• An Easier Data Augmentation(AEDA)：在句子中间添加标点符号以此来增强数据。
• Back translation：对本文进行翻译，再翻译回来。
• Masked Language Model：掩码语言模型，利用预训练好的BERT, Roberta等模型，对原句子进行部分掩码，然后让模型预测掩码部分，从而得到新的句子。
• Random Noise Injection：在文本中注入噪声，来生成新的文本，最后使得训练的模型对扰动具有鲁棒性。
• Instance Crossover Augmentation：两个相同情绪类别（正/负）的 tweets 各自交换一半的内容。
• Syntax-tree Manipulation：解析并生成原始句子的依赖树，使用规则对其进行转换来对原句子做复述生成。
• MixUp for Text：worldMixup、sentMixup
• Conditional Pre-trained Language Models：通过文本生成的方法来增加样本，属于生成模型。