R语言解决数据不平衡问题

R语言解决数据不平衡问题

一、项目环境

• 开发工具：RStudio
• R：3.5.2
• 相关包：dplyr、ROSE、DMwR

二、什么是数据不平衡？为什么要处理数据不平衡？

​ 首先我们要知道的第一个问题就是“什么是数据不平衡”，从字面意思上进行解释就是数据分布不均匀。在我们做有监督学习的时候，数据中有一个类的比例远大于其他类，或者有一个类的比值远小于其他类时，我们就可以认为这个数据存在数据不平衡问题。

​ 那么这样的一个问题会对我们后续的分析工作带来怎样的影响呢？我举个简单的例子，或许大家就明白了。假设我们现在需要训练一个模型来分辨人群中那个人是恐怖分子。那么现在给到我们1万个人员的数据，在做分析之前其实我们就很清楚，一群人中恐怖分子的比例肯定是要远小于普通人的比例的。那么假如在这1万个人中只有一个是恐怖分子，那么恐怖分子与正常人的比例就是 9999 : 1 。那么如果我们不进行任何处理就直接进行有监督学习的话，那么模型只需要将所有人数据都分类为正常人，模型的准确率就能达到99.99%。而这样的模型显然是没有意义的。因为基本上说有可能存在的恐怖分子的特征基本都被模型给忽略了，这也就说明了为什么要处理数据不平衡问题。

三、 常见的数据不平衡处理方法

以下是几种比较常见的处理数据不平衡的方法：

1. 欠采样法（Undersampling）
2. 过采样法（Oversampling）
3. 人工数据合成法（Synthetic Data Generation)
4. 代价敏感学习法（Cose Sensitive Learning）

【注】：本文主要以实现为主，因此不对上述方法进行过多的讲解。

感兴趣可以参考：https://mp.weixin.qq.com/s/m8M3I4vkOq44vguGAB5ccA

---

​ 在处理数据之前，我们先看一下需要处理的数据分布的情况。

load("C:/Users/User/Desktop/data.RData")

table(data$classification)

prop.table(table(data$classification))

> table(data$classification)

-8 1 2 3 4 5
12 104 497 1158 4817 1410

> prop.table(table(data$classification))

-8 1 2 3 4 5
0.001500375 0.013003251 0.062140535 0.144786197 0.602275569 0.176294074

1、 欠采样

######### 方法一 #########

library(ROSE)
# 由于是多分类问题，我们先提取数据中比例最大的类和比例最小的类
# 进行平衡（转化为二分类问题）
test <- data[which(data$classification == -8 | data$classification == 4),]

# 将分类结果转化为因子型（不然会报错）
test$classification <- as.factor(test$classification)

# 进行欠采样
# 其中 method = "under" 表示采用的方法为“欠采样”
# N = 40 表示最终整个数据集的数量
# seed 随机种子，为了保留对样本的追踪
under <- ovun.sample(classification ~ ., test, method = "under", N = 40, seed = 1)$data

# 查看结果
table(under$classification)

> table(under$classification)

4 -8
28 12

---

######### 方法二 #########

library(dplyr)
# 由于是多分类问题，我们先提取数据中比例最大的类和比例最小的类
# 进行平衡（转化为二分类问题）
test <- data[which(data$classification == -8 | data$classification == 4),]

# 提取大比例类
test1 <- test[which(test$classification == 4),]

# 将大比例类的数量降为12个
down <- sample_n(test1, 12, replace = TRUE)

# 将欠采样后的类进行合并
down <- rbind(test[which(test$classification == -8), ],down)

table(down$classification)

> table(down$classification)

-8 4
12 12

【注】：欠采样是无放回的采样。

2、 过采样

######### 方法一 #########
library(ROSE)

test <- data[which(data$classification == -8 | data$classification == 4),]

test$classification <- as.factor(test$classification)

# 实现上大致与欠采样相同，只有类型 method 改成了 "over"，同时没有限制总数量
under <- ovun.sample(classification ~ ., test, method = "over", seed = 1)$data

table(under$classification)

> table(under$classification)

4 -8
4817 4785

---

######### 方法二 #########
library(dplyr)

test <- data[which(data$classification == -8 | data$classification == 4),]

# 提取小比例类
test1 <- test[which(test$classification == -8),]

# 将小比例类的数量降为4817个（与大比例类相同）
# 这里使用的过采样方法是随机复制小比例类中的数据，将其扩充到指定数量
down <- sample_n(test1, 4817, replace = TRUE)

down <- rbind(test[which(test$classification == 4), ],down)

table(down$classification)

> table(down$classification)

-8 4
4817 4817

3、人工数据合成法（Synthetic Data Generation)

######### 方法一 #########

library(ROSE)
# 由于是多分类问题，我们先提取数据中比例最大的类和比例最小的类
# 进行平衡（转化为二分类问题）
test <- data[which(data$classification == -8 | data$classification == 4),]

# 将分类结果转化为因子型（不然会报错）
test$classification <- as.factor(test$classification)

# ROSE提供了ROSE()函数来合成人工数据
rose <- ROSE(classification ~ ., test, seed = 1)$data

# 查看结果
table(rose$classification)

> table(rose$classification)

4 -8
2483 2346

---

######### 方法二 #########

library(DMwR)

test <- data[which(data$classification == -8 | data$classification == 4),]

test$classification <- as.factor(test$classification)

# perc.over: 如 perc.over = n，小比例类的个数变为 (n/100)a + a 个数据（a为小比例类原始数量）
# perc.under: 如 perc.under = m，大比例类的个数变为((nm)/100)a个
# 因此本次案例中，小比例类的个数变为(3500/100)*12 + 12 = 432个
# 大比例类的个数变为((3500*300)/100^2)*12 = 1260个
down <- SMOTE(classification ~ ., test, perc.over = 3500, perc.under = 300)

table(down$classification)

> table(down$classification)

-8 4
432 1260

【注】：相较于前两种方法而言，人工合成法既不会像过采样容易导致过拟合问题，也不会出现欠采样大量丢失信息的问题。

4、代价敏感学习法（Cose Sensitive Learning）

【注】：还没想好怎么写。。。。。

三、 结语

​ 本文之所以都只拿两个分类在进行分析，是因为上面提到的用于解决数据不平衡问题的函数，基本上都是针对二分类问题的。当导入的数据中有大于两个分类时，函数就会报错。但是在实际分析的过程中，其实我们更经常遇到的时多分类问题，这是我们就需要将多分类问题转化为二分类问题，将各个分类两两进行比较才能更好的解决数据不平衡的问题。

---

很长一段时间没有在csdn中写文章了，事实上后面自己学习过程中的大部分文档都是在语雀中完成的，基本都是自己写自己看。后续文章都会分享到自己的个人博客上，感兴趣的话可以关注一下。个人博客地址