训练数据重复采样，让正负样本比例1：1

详细解释

1. resample 函数：

   • resample 函数来自 sklearn.utils，用于从数据集中重新抽样。
   • replace=True 表示允许重复抽样，即同一个样本可以被多次选中。
   • n_samples 指定抽样的数量。

2. 确保训练集数量相同：

   • 通过 resample 函数，你可以确保正训练集和负训练集的数量相同，即使其中一个集的数量小于另一个集的数量。
   • 如果 n_train_num 小于 max_train_num，resample 会从 n_train 中随机选择 max_train_num 个样本，允许重复选择。

示例代码

假设你有一个包含正样本和负样本的列表，并且需要确保训练集中的正样本和负样本数量相同。以下是一个完整的示例代码：

import random
from sklearn.utils import resample

# 假设 positive_ori 和 negative_ori 是包含正样本和负样本的列表
positive_ori = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
negative_ori = [11, 12, 13, 14, 15, 16, 17, 18, 19, 20]

# 指定测试样本数量
p_test_num = 3
n_test_num = 3

# 抽取测试集
p_test = random.sample(positive_ori, p_test_num)
n_test = random.sample(negative_ori, n_test_num)

# 生成训练集
p_train = [item for item in positive_ori if item not in p_test]
n_train = [item for item in negative_ori if item not in n_test]

# 计算训练集的最大数量
max_train_num = max(len(p_train), len(n_train))

# 确保训练集数量相同
if len(p_train) < max_train_num:
    p_train = resample(p_train, replace=True, n_samples=max_train_num)
if len(n_train) < max_train_num:
    n_train = resample(n_train, replace=True, n_samples=max_train_num)

# 打印结果
print("正测试集:", p_test)
print("正训练集:", p_train)
print("负测试集:", n_test)
print("负训练集:", n_train)

示例输出

假设 random.sample 抽取的元素如下：

• p_test = [2, 5, 9]
• n_test = [12, 15, 18]

则输出可能如下：

正测试集: [2, 5, 9]
正训练集: [1, 3, 4, 6, 7, 8, 10]
负测试集: [12, 15, 18]
负训练集: [11, 13, 14, 16, 17, 19, 20, 11, 13]

解释

1. 抽取测试集：

   • p_test 从 positive_ori 中随机抽取了 3 个元素 [2, 5, 9]。
   • n_test 从 negative_ori 中随机抽取了 3 个元素 [12, 15, 18]。

2. 生成训练集：

   • p_train 从 positive_ori 中移除了 p_test 中的元素，生成了 [1, 3, 4, 6, 7, 8, 10]。
   • n_train 从 negative_ori 中移除了 n_test 中的元素，生成了 [11, 13, 14, 16, 17, 19, 20]。

3. 确保训练集数量相同：

   • max_train_num 计算为 7（p_train 和 n_train 的长度都是 7）。
   • 由于 p_train 和 n_train 的长度已经相等，不需要重新抽样。
   • 如果 n_train 的长度小于 7，resample 会从 n_train 中随机选择 7 个样本，允许重复选择。

重复抽样的示例

假设 n_train 的长度小于 max_train_num，例如 n_train 只有 5 个元素：

import random
from sklearn.utils import resample

# 假设 positive_ori 和 negative_ori 是包含正样本和负样本的列表
positive_ori = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
negative_ori = [11, 12, 13, 14, 15, 16, 17, 18, 19, 20]

# 指定测试样本数量
p_test_num = 3
n_test_num = 5

# 抽取测试集
p_test = random.sample(positive_ori, p_test_num)
n_test = random.sample(negative_ori, n_test_num)

# 生成训练集
p_train = [item for item in positive_ori if item not in p_test]
n_train = [item for item in negative_ori if item not in n_test]

# 计算训练集的最大数量
max_train_num = max(len(p_train), len(n_train))

# 确保训练集数量相同
if len(p_train) < max_train_num:
    p_train = resample(p_train, replace=True, n_samples=max_train_num)
if len(n_train) < max_train_num:
    n_train = resample(n_train, replace=True, n_samples=max_train_num)

# 打印结果
print("正测试集:", p_test)
print("正训练集:", p_train)
print("负测试集:", n_test)
print("负训练集:", n_train)

输出示例

假设 random.sample 抽取的元素如下：

• p_test = [2, 5, 9]
• n_test = [12, 15, 18, 19, 20]

则输出可能如下：

正测试集: [2, 5, 9]
正训练集: [1, 3, 4, 6, 7, 8, 10]
负测试集: [12, 15, 18, 19, 20]
负训练集: [11, 13, 14, 16, 17, 11, 13]

解释

1. 抽取测试集：

   • p_test 从 positive_ori 中随机抽取了 3 个元素 [2, 5, 9]。
   • n_test 从 negative_ori 中随机抽取了 5 个元素 [12, 15, 18, 19, 20]。

2. 生成训练集：

   • p_train 从 positive_ori 中移除了 p_test 中的元素，生成了 [1, 3, 4, 6, 7, 8, 10]。
   • n_train 从 negative_ori 中移除了 n_test 中的元素，生成了 [11, 13, 14, 16, 17]。

3. 确保训练集数量相同：

   • max_train_num 计算为 7（p_train 的长度是 7，n_train 的长度是 5）。
   • 由于 n_train 的长度小于 7，resample 会从 n_train 中随机选择 7 个样本，允许重复选择。因此，n_train 可能包含重复的元素，例如 [11, 13, 14, 16, 17, 11, 13]。

总结

使用 resample 函数并设置 replace=True 可以确保在训练集数量不一致时，通过允许重复抽样来平衡训练集的数量。这在数据集不平衡的情况下非常有用，可以确保模型在训练时看到相同数量的正样本和负样本。