人工智能中数据组合采样、特征层、算法层的讲解（图文详解）

怼烎@ 2023-10-09 20:31 10阅读 0赞

## 一、数据组合采样 ##

欠采样和过采样都是只针对某一类样本，第三种采样就是把过采样和欠采样技术结合起来同时进行，即组合重采样，其基本思想是增加样本集中少数类样本的个数，同时减少多数类样本的个数，以此来降低不平衡度，有两个典型的组合方法：SMOTE+Tomeklinks和SMOTE+ENN，下面对它们分别进行讲解

### 1：SMOTE + Tomek Link Removal ###

首先，利用SMOTE方法生成新的少数类样本，得到扩充后的数据集T。然后剔除T中的Tomek links对

为什么需要这两者的组合呢？避免SMOTE导致原本属于多数类样本的空间被少数类“入侵”（invade），由Tomek links去除噪声点或者边界点

![c87b76f2bc494148a0899340ce0a0589.png][]

### 2：SMOTE+ENN ###

和SMOTE+Tomek links方法的思路相似，包含两个步骤

1) 利用SMOTE方法生成新的少数类样本，得到扩充后的数据集T

2) 对T中的每一个样本使用kNN（一般k取3）方法预测，若预测结果和实际类别标签不符，则剔除该样本

## 二、特征层的不平衡数据分类 ##

在网络安全中，某些类别的网络数据难以获得而导致了非平衡问题，多数类通常是正常的，而少数类是攻击行为，各个类别的样本数量分布虽然具有不平衡性，但这种非平衡性并非在所有特征上都存在

特征层解决不平衡数据分类的思路就是选择最合适的特征表示空间，再进行分类

最合适”是指提高少数类及整体的分类正确性。把数据样本投影到这个“最合适”的子空间中，多数类可能聚集在一起或重叠在一起，那么就有利于减小数据的非平衡性

根据机器学习的特征理论，在特征空间的构造方面，存在两大类方法，即特征选择和特征提取

## 三、算法层面的非平衡数据分类 ##

### 1：代价敏感方法 ###

代价敏感：设置损失函数的权重，使得少数类判别错误的损失大于多数类判别错误的损失

以分类错误总代价最低为优化目标，能更加关注错误代价较高类别的样本，使得分类性能更加合理

实现方法：

一是，改变原始的数据分布来得到代价敏感的模型；

二是，对分类的结果进行调整，以达到最小损失的目的；

三是，直接构造一个代价敏感的学习模型

![a635007dc7d148a0b024a506d7f84557.png][]

优化目标 最优的Bayes预测就是把x分为使得R(i|x) 最小化的类别k，即： K= argmin R(i|x), i=1,2,…N 其中R(i|x)是某个类别i的样本x的分类风险

对于一个给定的训练数据集((x1，Y1，)，…，(xn，yn))，标准的非代价敏感支持向量机学习出一个决策边界

![2f79a2cb4369477b8a260376cb0fd81d.png][]

普通SVM

![6f4f608c42814f8f92317940d979473d.png][]

偏置惩罚支持向量机(BP-SVM)

![5af72b3676574f3884212d35a8c078ae.png][]

代价敏感教练损失支持向量机(CSHL-SVM)

![9e62a9c31f704bb380e0ec83d342d66f.png][]

### 2：单分类器方法 ###

单类分类器方法：仅对少数类进行训练，例如运用SVM算法

密度估计法 基于聚类的方法 基于支持域的方法

单类支持向量机(OneclassSVM) 支持向量数据描述（Support Vector Data Description，SVDD）

![b46ed3fdfb0b4d7d9061c28e36650e46.png][]

当多数类中存在明显簇结构时，使用聚类方法获得聚类结构有利于提高多数类轮廓描述的精度

![d2044aa735a7402a95e8d6ae961dd684.png][]

### 3：集成学习 ###

典型的集成学习方法有Bagging、 Boosting、Stacking

Over Bagging：每次迭代时应用随机过采样在小类数据

Under Bagging：每次迭代时应用随机下采样在大类数据

SMOTEBagging：结合了SMOTE与bagging,先使用SMOTE生成更加全面的小类数据，然后应用bagging

Asymmetric bagging：每次迭代时，全部小类数据保留，从大类数据中分离一个与小类数据一样大的子集

SMOTEBoost : 结合了SMOTE方法代替简单的增加小类观察点的权重

BalanceCascade : 是典型的双重集成算法，采用Bagging作为基本的集成学习方法，并在训练每个Boostrap数据时，使用AdaBoost作为分类算法

[c87b76f2bc494148a0899340ce0a0589.png]: https://img-blog.csdnimg.cn/c87b76f2bc494148a0899340ce0a0589.png
[a635007dc7d148a0b024a506d7f84557.png]: https://img-blog.csdnimg.cn/a635007dc7d148a0b024a506d7f84557.png
[2f79a2cb4369477b8a260376cb0fd81d.png]: https://img-blog.csdnimg.cn/2f79a2cb4369477b8a260376cb0fd81d.png
[6f4f608c42814f8f92317940d979473d.png]: https://img-blog.csdnimg.cn/6f4f608c42814f8f92317940d979473d.png
[5af72b3676574f3884212d35a8c078ae.png]: https://img-blog.csdnimg.cn/5af72b3676574f3884212d35a8c078ae.png
[9e62a9c31f704bb380e0ec83d342d66f.png]: https://img-blog.csdnimg.cn/9e62a9c31f704bb380e0ec83d342d66f.png
[b46ed3fdfb0b4d7d9061c28e36650e46.png]: https://img-blog.csdnimg.cn/b46ed3fdfb0b4d7d9061c28e36650e46.png
[d2044aa735a7402a95e8d6ae961dd684.png]: https://img-blog.csdnimg.cn/d2044aa735a7402a95e8d6ae961dd684.png