处理不平衡数据集的5种最有用的技术（2）

今天继续为同学们讲述剩余3种有效的技术来解决不平衡数据集所带来的问题。

3.模型中的类权重

大多数机器学习模型都提供一个名为的参数 class_weights。例如，在使用的随机森林分类器中， class_weights 我们可以使用字典为少数派类别指定更高的权重。

from sklearn.linear_model import LogisticRegression
clf = LogisticRegression(class_weight={0:1,1:10})

但是到底发生了什么呢？

在逻辑回归中，我们使用二进制交叉熵计算每个示例的损失：

Loss = −ylog(p) − (1−y)log(1−p)

在这种特殊形式中，我们对正和负类给予同等的权重。当我们将class_weight设置为时 class_weight = {0:1,1:20}，后台的分类器将尝试最小化：

NewLoss = −20 * y log（p） − 1 *（1- y）log（1- p）

那么到底发生了什么？

如果我们的模型给出的概率为0.3，但我们对一个正例进行了错误分类，则NewLoss获得的值为-20log（0.3）= 10.45

如果我们的模型给出的概率为0.7，并且我们对一个负示例进行了错误分类，则NewLoss将获得-log（0.3）= 0.52的值

这意味着，在这种情况下，如果模型对正面少数群体示例进行错误分类，我们将对其模型进行大约二十倍的罚款。

我们如何计算class_weights？

没有一种方法可以执行此操作，对于您的特定问题，应将其构造为超参数搜索问题。

但是，如果您想使用y变量的分布来获取class_weights，则可以使用中的以下漂亮工具 sklearn。

from sklearn.utils.class_weight import compute_class_weight
class_weights = compute_class_weight('balanced', np.unique(y), y)

4.更改评估指标

每当我们使用不平衡的数据集时，选择正确的评估指标就非常重要。通常，在这种情况下，F1分数是我想要的 评估指标。

F1分数是介于0和1之间的数字，是精确度和查全率的调和平均值。

那有什么帮助呢？

让我们从二进制预测问题开始。 我们正在预测小行星是否会撞击地球。

因此，我们创建了一个预测整个训练集“否”的模型。

准确度是多少（通常是最常用的评估指标）？

它超过99％，因此从准确性上来说，此模型相当不错，但毫无价值。

现在，F1分数是多少？

我们在这里的精度是0。我们的正班回忆是什么？它是零。因此F1分数也为0。

因此，我们知道，对于我们的案例而言，精度为99％的分类器毫无价值。因此，它解决了我们的问题。

简而言之， F1分数在分类器的准确性和查全率之间保持了平衡。如果您的精度低，则F1会低；如果召回率再次低，则您的F1分数会低。

如果您是警察检查员，并且想抓捕罪犯，则要确保抓捕的人是罪犯（精确度），并且还希望捕获尽可能多的罪犯（召回）。F1分数管理着这一权衡。

如何使用？

您可以使用以下方法计算二元预测问题的F1分数：

from sklearn.metrics import f1_score
y_true = [0, 1, 1, 0, 1, 1]
y_pred = [0, 0, 1, 0, 0, 1]
f1_score(y_true, y_pred)

这是我用来获取最佳阈值以最大化F1分数以进行二进制预测的功能之一。下面的函数迭代可能的阈值，以找到给出最佳F1分数的阈值。

# y_pred is an array of predictions
def bestThresshold(y_true,y_pred):
best_thresh = None
best_score = 0
for thresh in np.arange(0.1, 0.501, 0.01):
score = f1_score(y_true, np.array(y_pred)>thresh)
if score > best_score:
best_thresh = thresh
best_score = score
return best_score , best_thresh

5.其余方法

取决于您的用例和您要解决的问题，各种其他方法也可能起作用：

a）收集更多数据

如果可以的话，这绝对是您应该尝试的事情。通过更多正面示例获得更多数据，将有助于您的模型对多数和少数派有更多样化的认识。

b）将问题视为异常检测

您可能希望将分类问题视为异常检测问题。

异常检测 是指识别稀有物品，事件或观察结果，这些发现因与大多数数据有明显差异而引起怀疑

您可以使用隔离林或自动编码器进行异常检测。

c）基于模型

一些模型特别适合于不平衡的数据集。

例如，在增强模型中，我们对在每次树迭代中被错误分类的案例赋予更多权重。

结论

使用不平衡的数据集时，没有一种大小可以适合所有人。您将不得不根据自己的问题尝试多种方法。

在这篇文章中，我谈到了每当我遇到此类问题时就会想到的通常的嫌疑人。

建议是尝试使用上述所有方法，并尝试查看最适合您的用例的方法。