R语言实现SMOTE与SMOGN算法解决不平衡数据的回归问题

  本文介绍基于R语言中的UBL包，读取.csv格式的Excel表格文件，实现SMOTE算法与SMOGN算法，对机器学习、深度学习回归中，训练数据集不平衡的情况加以解决的具体方法。

  在之前的文章Python实现SMOGN算法解决不平衡数据的回归问题（https://blog.csdn.net/zhebushibiaoshifu/article/details/131680333）中，我们介绍了基于Python语言中的smogn包，实现SMOGN算法，对机器学习、深度学习回归中训练数据集不平衡的情况加以解决的具体方法；而我们也在上述这一篇文章中提到了，SMOGN算法的Python实现实在是太慢了，且Python还无法较为方便地实现回归数据的SMOTE算法。因此，我们就在本文中介绍一下基于R语言中的UBL包，实现SMOTE算法与SMOGN算法的方法。对于这两种算法的具体介绍与对比，大家参考上述提到的这一篇文章即可，这里就不再赘述了。

  首先，我们配置一下所需用到的R语言UBL包。包的下载方法也非常简单，我们输入如下的代码即可。

install.packages("UBL")

  输入代码后，按下回车键，运行代码；如下图所示。

  接下来，我们即可开始代码的撰写。在这里，我们最好通过如下的方式新建一个R语言脚本（我这里是用的RStudio）；因为后期执行算法的时候，我们往往需要对比多种不同的参数搭配效果，通过脚本来运行代码会比较方便。

  其中，我们需要的代码如下所示。

library(UBL)
csv_path <- r"(E:\01_Reflectivity\99_Model_Training\00_Data\02_Extract_Data\26_Train_Model_New\Train_Model_0710.csv)"
result_path <- r"(E:\01_Reflectivity\99_Model_Training\00_Data\02_Extract_Data\26_Train_Model_New\Train_Model_0710_smote_nir.csv)"
data <- read.csv(csv_path)
data_nona <- na.omit(data)
data_nona$PointType <- as.factor(data_nona$PointType)
data_nona$days <- as.factor(data_nona$days)

data_smote <- SmoteRegress(inf_dif~., data_nona, dist = "HEOM", C.perc = "balance")
data_smogn <- SMOGNRegress(inf_dif~., data_nona, thr.rel = 0.6, dist = "HEOM", C.perc = "extreme")

hist(data_nona$inf_dif, breaks = 50)
hist(data_smote$inf_dif, breaks = 50)
hist(data_smogn$inf_dif, breaks = 50)

write.csv(data_smogn, file = result_path, row.names = FALSE)
write.csv(data_smote, file = result_path, row.names = FALSE)

  其中，上述代码的具体含义如下。

  首先，通过library(UBL)将我们刚刚配置好的UBL包加以加载，该包提供了处理不平衡数据的函数和算法；随后，我们可以设置输入的.csv格式文件的路径，这一文件中存储了我们需要加以处理的数据；随后，我们设置输出的.csv格式文件的路径，这一文件就是我们加以处理后的结果数据。

  接下来，我们使用read.csv函数读取输入的.csv格式文件，并将其存储在变量data中。其后的data_nona <- na.omit(data)代码表示，去除数据中的缺失值，将处理后的数据保存在data_nona中。随后，这里需要注意，由于我们的输入数据中含有数值型的类别变量，因此需要将其转换为因子（factor）类型，这样才可以被UBL包识别为类别变量。

  接下来，第一个函数SmoteRegress()就是使用SMOTE算法对data_nona进行回归任务的不平衡处理——其中inf_dif是目标变量（因变量），~.表示使用所有其他列作为特征（自变量），dist = "HEOM"表示使用HEOM（Heterogeneous Euclidean-Overlap Metric）距离度量（注意，只要我们的输入数据中有类别变量，那么就需要用这一种距离表示方式），最后的C.perc = "balance"表示平衡类别比例。

  随后的SMOGNRegress()函数，则是使用SMOGN算法对 data_nona 进行回归任务的不平衡处理——其中thr.rel = 0.6表示设置相对阈值为0.6，这个参数设置的越大，算法执行的程度越深；其他参数则和前一个函数类似。这里如果大家需要对两个函数的参数加以更进一步的理解，可以直接访问其官方网站。

  最后，为了比较一下我们执行SMOTE算法与SMOGN算法的结果，可以绘制一下data_nona中，目标变量inf_dif的直方图，breaks = 50表示将直方图分成50个条块。

  如果通过直方图确定我们算法处理后的数据可以接受，那么就可以将处理结果数据写入到输出的.csv格式文件，row.names = FALSE表示不保存行索引。

  执行上述代码后，我们可以实际看一下三个直方图的结果情况。首先，是处理前的数据，如下图所示。

  其次，是SMOTE算法处理后的数据，如下图所示。

  最后，是SMOGN算法处理后的数据，如下图所示。

  基于以上图片可以很清楚地看出，SMOTE算法与SMOGN算法确实对于原始的数据分布而言，有着明显的改变作用。

  至此，大功告成。

欢迎关注：疯狂学习GIS