机器学习中不平衡类的5种策略

合成样本是上采样的近亲，有些人可能会将它们归类在一起。例如，SMOTE算法是一种从少数类中重新采样的方法，同时稍微调整特征值，从而创建“新的”样本。

2. 下采样多数类：下采样涉及从多数类中随机移除观测值，以防止其信号支配学习算法。

首先，我们将每个类的观察结果分成不同的DataFrame。

接下来，我们将重采样多数类而不进行替换，将样本数设置为与少数类相匹配。

***，我们将下采样的多数类DataFrame与原始的少数类DataFrame结合起性能指标：AUROC(ROC曲线下面积)

假设我们有一个概率的二元分类器，如逻辑回归。

在呈现ROC曲线之前，必须理解混淆矩阵的概念。当我们进行二元预测时，可以有4种类型的结果：

• 我们预测0而真正的类实际上是0：这被称为真阴性，即我们正确地预测该类是负的(0)。例如，防病毒软件未将无害文件检测为病毒。
• 我们预测0而真正的类实际上是1：这被称为假阴性，即我们错误地预测该类是负的(0)。例如，防病毒软件无法检测到病毒。
• 我们预测1而真正的类实际上是0：这被称为假阳性，即我们错误地预测该类是正的(1)。例如，防病毒软件认为无害文件是病毒。
• 我们预测1而真正的类实际上是1：这被称为真阳性，即我们正确地预测该类是正的(1)。例如，防病毒软件正确地检测到了病毒。

为了获得混淆矩阵，我们回顾机器学习项模型所做的所有预测，并计算这4种结果中的每一种发生的次数：矩阵的例子中，在被分类的50个数据点中，45个被正确分类，5个被错误分类。

由于为了比较不同的模型，通常使用单个度量比使用多个度量更方便，所以我们从混淆矩阵中计算两个度量，然后将其合并为一个:

• 真阳性率(TPR)，又名灵敏度、***率和召回率，定义为+TPTP+ FN。直观地，该度量对应于相对于所有正数据点被正确认为为正的正数据点的比例。换句话说，TPR越高，我们将错过的正数据点越少。
• 假阳性率(FPR)，又名 fall-out，定义为+FPFP+ TN。直观地，该度量对应于相对于所有负数据点被错误地认为是正数的负数据点的比例。换句话说，FPR越高，更多的负数据点将被错误分类。

为了将FPR和TPR合并为一个度量，我们首先计算逻辑回归中具有许多不同阈值的前两个度量(例如0.00、0.01、0.02、……、1.000.00;0.01、0.02、……、1.00)，然后将它们绘制在一个图上，横坐标上是FPR值，纵坐标上是TPR值。得到的曲线称为ROC曲线，我们考虑的度量是这条曲线的AUC，我们称之为AUROC。

下图以图形方式显示AUROC：

（编辑：泉州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!