機(jī)器學(xué)習(xí)中非平衡數(shù)據(jù)集的常用處理方法

不平衡數(shù)據(jù)集：

在分類等問題中，正負(fù)樣本，或者各個(gè)類別的樣本數(shù)目不一致。

：在人臉檢測(cè)中，比如訓(xùn)練庫有10萬張人臉圖像，其中9萬沒有包含人臉，1萬包含人臉，這個(gè)數(shù)據(jù)集就是典型的不平衡數(shù)據(jù)集。
直觀的影響就是，用這些不平衡的數(shù)據(jù)訓(xùn)練出來的模型，其預(yù)測(cè)結(jié)果偏向于訓(xùn)練數(shù)據(jù)中數(shù)據(jù)比較多的那一類，在人臉檢測(cè)的例子中，就是檢測(cè)器的檢測(cè)結(jié)果大部分都偏向于沒有檢測(cè)到人臉圖像。

另外一個(gè)不平衡數(shù)據(jù)集，就是信用卡欺詐交易，如果平均的抽取數(shù)據(jù)，則大部分的數(shù)據(jù)都是非欺詐交易，只有非常少的部分?jǐn)?shù)據(jù)是欺詐交易

影響：不平衡的數(shù)據(jù)集上做訓(xùn)練和測(cè)試，其得到的準(zhǔn)確率是虛高的，比如在不平衡數(shù)據(jù)中，正負(fù)樣本的比例為9：1時(shí)，當(dāng)它的精度為90%時(shí)，我們很有理由懷疑它將所有的類別都判斷為數(shù)據(jù)多的那一類。

解決方法：8種

1.收集更多的數(shù)據(jù)：

好處：更夠揭露數(shù)據(jù)類別的本質(zhì)差別，增加樣本少的數(shù)目以便后面的數(shù)據(jù)重采樣。
（這個(gè)是最好的方法，但是一般比較難，通常處理的數(shù)據(jù)是難以收集的。）

2.嘗試改變性能評(píng)價(jià)標(biāo)準(zhǔn)：

當(dāng)數(shù)據(jù)不平衡時(shí)，準(zhǔn)確度已經(jīng)失去了它原有的意義，
可以參考的度量標(biāo)準(zhǔn)有：
1> 混淆矩陣CM
2>精度
3>召回率
4>F1 分?jǐn)?shù)（權(quán)衡精度和召回率）
5>Kappa
6>ROC曲線

3.重采樣數(shù)據(jù)：

1，拷貝一部分樣本偏少的數(shù)據(jù)多分，已達(dá)到平衡（過采樣）；
2，刪除一部分樣本偏多的數(shù)據(jù)，以使得達(dá)到平衡（欠采樣）；
在實(shí)際中，過采樣和欠采樣都會(huì)使用的。
在測(cè)試中，如果樣本總數(shù)比較多，可以用欠采樣的數(shù)據(jù)進(jìn)行測(cè)試，如果樣本總數(shù)比較少，可以用過采樣的數(shù)據(jù)進(jìn)行測(cè)試；另外應(yīng)該測(cè)試隨機(jī)采樣的數(shù)據(jù)和非隨機(jī)采樣的數(shù)據(jù)，同時(shí)，測(cè)試不同比例正負(fù)樣本的數(shù)據(jù)。

4.生成合成數(shù)據(jù)：

最簡單的是，隨機(jī)采樣樣本數(shù)目比較少的屬性，
另外一個(gè)比較出名的方法為：SMOTE
它是一種過采樣的方法，它從樣本比較少的類別中創(chuàng)建新的樣本實(shí)例，一般，它從相近的幾個(gè)樣本中，隨機(jī)的擾動(dòng)一個(gè)特征，

5.使用不同的算法：

不要試圖用一個(gè)方法解所有的問題，嘗試一些其他不同的方法，比如決策樹一般在不平衡數(shù)據(jù)集上表現(xiàn)的比較的好。

6.嘗試懲罰模型:

意思就是添加新的懲罰項(xiàng)到cost函數(shù)中，以使得小樣本的類別被判斷錯(cuò)誤的cost更大，迫使模型重視小樣本的數(shù)據(jù)。
比如：帶懲罰項(xiàng)的SVM

7.使用不同的視角：

不平衡的數(shù)據(jù)集，有專門的鄰域和算法做這個(gè)，可以參考他們的做法和術(shù)語。
比如：異常檢測(cè)。

8.嘗試新的改進(jìn)：

比如：1.把樣本比較多的類別，分解為一些更多的小類別，
比如：原始我們想?yún)^(qū)分?jǐn)?shù)字0和其它數(shù)字這二分類問題，我們可以把其它數(shù)字在分為9類，變成0–9的分類問題.