机器学习中当样本不均衡时（数据出现严重倾斜），我们怎么处理呢？给出两种方法

￡神魔★判官ぃ 2022-03-12 02:50 550阅读 0赞

# 主要讲以下两种方法： #

> 方法一：当数据出现严重倾斜的时候，我们可以采取降采样的方式
> 
> 方法二：在训练模型中添加参数class\_weight='balanced'

### 下面给个实际的例子： ###

**第一步：读数据 （我们把数据放在了txt中）**

def read_data(path):
        data = []
        with open(path) as f:
            lines = f.readlines()
            for line in lines:
                line = line.strip().split(',')
                data.append(line)
        data = np.array(data).astype(np.float)
        return data
    
    if __name__ == '__main__':
        path = './data/data_multivar_imbalance.txt'
        data = read_data(path)
        print(data)
        print(data.shape)
        print(data[data[:, -1] == 1].shape[0])   # 数据为1000
        print(data[data[:, -1] == 0].shape[0])   # 数据为200

查看数据：

![20190304230925248.png][]

**第一方法：降采样+支持向量机**

从上面的输出我们可以看到标签为1的数据有1000条，标签为0的数据有200. 数据出现了严重的倾斜。我们用降采样的方式+支持向量机进行模型的建立

def model(X, y):
    
        classifier = SVC(kernel='rbf', probability=True)
        classifier.fit(X, y)
        print('准确率:', classifier.score(X, y))
    if __name__ == '__main__':
        path = './data/data_multivar_imbalance.txt'
        data = read_data(path)
    
        # 我们可以下采样  从标签为1的样本中抽取200进行训练
        label_1 = data[data[:, -1] == 1]
        label_1 = label_1[0: 200, :]
        label_0 = data[data[:, -1] == 0]
        # 然后将这两种标签的数据进行合并
        data = np.concatenate((label_1, label_0))
        data = shuffle(data)   # 将数据进行打乱
        X1 = data[:, 0:2]
        y2 = data[:, 2]
        model(X, y)

降采样就是从1000条标签为1的数据中抽出200条

**训练结果：**

![2019030423130117.png][]

**第二方法：参数class\_weight+支持向量机**

def model2(X, y):
        # params = {'kernel':'rbf', 'class_weight':'auto'}
        # 它的作用是统计不用类型的数量，调整权重，让模型不平衡问题不印象分类效果
        classifier = SVC(kernel='rbf', class_weight='balanced')
        classifier.fit(X, y)
        print('准确率:', classifier.score(X, y))
    if __name__ == '__main__':
        path = './data/data_multivar_imbalance.txt'
        data = read_data(path)
        X = data[:, 0:2]
        y = data[:, 2]
        
        model2(X, y)

输出结果：

![20190304231517670.png][]

综合上述两种情况，看来第一种降采样还是比第二种方法好。。。我只是简单的对比了一下。。后期会在不同的参数下再进行测试。

源代码：

import numpy as np
    from sklearn.utils import shuffle  # 将样本打乱
    from sklearn.svm import SVC
    import warnings
    warnings.filterwarnings('ignore')
    
    def read_data(path):
        data = []
        with open(path) as f:
            lines = f.readlines()
            for line in lines:
                line = line.strip().split(',')
                data.append(line)
        data = np.array(data).astype(np.float)
        return data
    def model(X, y):
    
        classifier = SVC(kernel='rbf', probability=True)
        classifier.fit(X, y)
        print('准确率:', classifier.score(X, y))
    
    
    def model2(X, y):
        # params = {'kernel':'rbf', 'class_weight':'auto'}
        classifier = SVC(kernel='rbf', class_weight='balanced')
        classifier.fit(X, y)
        print('准确率:', classifier.score(X, y))
    
    
    
    if __name__ == '__main__':
        path = './data/data_multivar_imbalance.txt'
        data = read_data(path)
        X = data[:, 0:2]
        y = data[:, 2]
    
        print(data)
        print(data.shape)
        print(data[data[:, -1] == 1].shape[0])   # 数据为1000
        print(data[data[:, -1] == 0].shape[0])   # 数据为200
        # 根据上面的输出，我们发现数据出现了严重的倾斜
    
        # 我们可以下采样  从标签为1的样本中抽取200进行训练
        label_1 = data[data[:, -1] == 1]
        label_1 = label_1[0: 200, :]
        label_0 = data[data[:, -1] == 0]
        # 然后将这两种标签的数据进行合并
        data = np.concatenate((label_1, label_0))
        data = shuffle(data)   # 将数据进行打乱
        X1 = data[:, 0:2]
        y2 = data[:, 2]
        model(X, y)
        # 还有一种方法时给数据不同的权重 就是在模型训练的时候加一个参数class_weight
        # 它的作用是统计不用类型的数量，调整权重，让模型不平衡问题不印象分类效果
        model2(X, y)

[20190304230925248.png]: /images/20220312/0841bc0662ea458b8d741839dc360032.png
[2019030423130117.png]: /images/20220312/a8685cada69244f0a2908d7595cdb158.png
[20190304231517670.png]: /images/20220312/a10f8f44844a46e398cce01902f5345c.png