數據科學家需要了解的5種采樣方法
筆者按，采樣問題是數據科學中的常見問題，對此，WalmartLabs 的數據科學家 Rahul Agarwal 分享了數據科學家需要了解的 5 種采樣方法，雷鋒網 AI 科技評論編譯整理如下。
數據科學實際上是就是研究算法。
我每天都在努力學習許多算法，所以我想列出一些最常見和最常用的算法。
本文介紹了在處理數據時可以使用的一些最常見的采樣技術。
簡單隨機抽樣
假設您要選擇一個群體的子集，其中該子集的每個成員被選擇的概率都相等。
下面我們從一個數據集中選擇 100 個采樣點。
- sample_df = df.sample(100)
分層采樣
假設我們需要估計選舉中每個候選人的平均票數?，F假設該國有 3 個城鎮：
- A 鎮有 100 萬工人，
- B 鎮有 200 萬工人，以及
- C 鎮有 300 萬退休人員。
我們可以選擇在整個人口中隨機抽取一個 60 大小的樣本，但在這些城鎮中，隨機樣本可能不太平衡，因此會產生偏差，導致估計誤差很大。
相反，如果我們選擇從 A、B 和 C 鎮分別抽取 10、20 和 30 個隨機樣本，那么我們可以在總樣本大小相同的情況下，產生較小的估計誤差。
使用 python 可以很容易地做到這一點：
- from sklearn.model_selection import train_test_split
- X_train, X_test, y_train, y_test = train_test_split(X, y,
- stratify=y,
- test_size=0.25)
水塘采樣
我喜歡這個問題陳述：
- 假設您有一個項目流，它長度較大且未知以至于我們只能迭代一次。
創建一個算法，從這個流中隨機選擇一個項目，這樣每個項目都有相同的可能被選中。
我們怎么能做到這一點?
假設我們必須從無限大的流中抽取 5 個對象，且每個元素被選中的概率都相等。
- import randomdef generator(max):
- number = 1
- while number < max:
- number += 1
- yield number# Create as stream generator
- stream = generator(10000)# Doing Reservoir Sampling from the stream
- k=5
- reservoir = []
- for i, element in enumerate(stream):
- if i+1<= k:
- reservoir.append(element)
- else:
- probability = k/(i+1)
- if random.random() < probability:
- # Select item in stream and remove one of the k items already selected
- reservoir[random.choice(range(0,k))] = elementprint(reservoir)
- ------------------------------------
- [1369, 4108, 9986, 828, 5589]
從數學上可以證明，在樣本中，流中每個元素被選中的概率相同。這是為什么呢?
當涉及到數學問題時，從一個小問題開始思考總是有幫助的。
所以，讓我們考慮一個只有 3 個項目的流，我們必須保留其中 2 個。
當我們看到第一個項目，我們把它放在清單上，因為我們的水塘有空間。在我們看到第二個項目時，我們把它放在列表中，因為我們的水塘還是有空間。
現在我們看到第三個項目。這里是事情開始變得有趣的地方。我們有 2/3 的概率將第三個項目放在清單中。
現在讓我們看看第一個項目被選中的概率：
移除第一個項目的概率是項目 3 被選中的概率乘以項目 1 被隨機選為水塘中 2 個要素的替代候選的概率。這個概率是：
- 2/3*1/2 = 1/3
因此，選擇項目 1 的概率為：
- 1–1/3=2/3
我們可以對第二個項目使用完全相同的參數，并且可以將其擴展到多個項目。
因此，每個項目被選中的概率相同：2/3 或者用一般的公式表示為 K/N
隨機欠采樣和過采樣
我們經常會遇到不平衡的數據集。
一種廣泛采用的處理高度不平衡數據集的技術稱為重采樣。它包括從多數類(欠采樣)中刪除樣本或向少數類(過采樣)中添加更多示例。
讓我們先創建一些不平衡數據示例。
- from sklearn.datasets import make_classificationX, y = make_classification(
- n_classes=2, class_sep=1.5, weights=[0.9, 0.1],
- n_informative=3, n_redundant=1, flip_y=0,
- n_features=20, n_clusters_per_class=1,
- n_samples=100, random_state=10
- )X = pd.DataFrame(X)
- X['target'] = y
我們現在可以使用以下方法進行隨機過采樣和欠采樣：
- num_0 = len(X[X['target']==0])
- num_1 = len(X[X['target']==1])
- print(num_0,num_1)# random undersampleundersampled_data = pd.concat([ X[X['target']==0].sample(num_1) , X[X['target']==1] ])
- print(len(undersampled_data))# random oversampleoversampled_data = pd.concat([ X[X['target']==0] , X[X['target']==1].sample(num_0, replace=True) ])
- print(len(oversampled_data))------------------------------------------------------------
- OUTPUT:
- 90 10
- 20
- 180
使用 imbalanced-learn 進行欠采樣和過采樣
imbalanced-learn(imblearn)是一個用于解決不平衡數據集問題的 python 包，它提供了多種方法來進行欠采樣和過采樣。
a. 使用 Tomek Links 進行欠采樣：
imbalanced-learn 提供的一種方法叫做 Tomek Links。Tomek Links 是鄰近的兩個相反類的例子。
在這個算法中，我們最終從 Tomek Links 中刪除了大多數元素，這為分類器提供了一個更好的決策邊界。
- from imblearn.under_sampling import TomekLinks
- tl = TomekLinks(return_indices=True, ratio='majority')
- X_tl, y_tl, id_tl = tl.fit_sample(X, y)
b. 使用 SMOTE 進行過采樣：
在 SMOE(Synthetic Minority Oversampling Technique)中，我們在現有元素附近合并少數類的元素。
- from imblearn.over_sampling import SMOTE
- smote = SMOTE(ratio='minority')
- X_sm, y_sm = smote.fit_sample(X, y)
imbLearn 包中還有許多其他方法，可以用于欠采樣(Cluster Centroids, NearMiss 等)和過采樣(ADASYN 和 bSMOTE)。
結論
算法是數據科學的生命線。
抽樣是數據科學中的一個重要課題，但我們實際上并沒有討論得足夠多。
有時，一個好的抽樣策略會大大推進項目的進展。錯誤的抽樣策略可能會給我們帶來錯誤的結果。因此，在選擇抽樣策略時應該小心。
如果你想了解更多有關數據科學的知識，我想把 Andrew Ng 的這門優秀課程推薦給你，這個課程是我入門數據科學的法寶，你一定要去看看。
本文轉自雷鋒網，如需轉載請至雷鋒網官網申請授權。
