[[373489]]

1. 什么是數(shù)據(jù)不平衡

所謂的數(shù)據(jù)不平衡（imbalanced data）是指數(shù)據(jù)集中各個類別的數(shù)量分布不均衡；不平衡數(shù)據(jù)在現(xiàn)實任務中十分的常見。如

•  信用卡欺詐數(shù)據(jù)：99%都是正常的數(shù)據(jù)， 1%是欺詐數(shù)據(jù)
•  貸款逾期數(shù)據(jù)

不平衡數(shù)據(jù)一般是由于數(shù)據(jù)產(chǎn)生的原因?qū)е碌模悇e少的樣本通常是發(fā)生的頻率低，需要很長的周期進行采集。

在機器學習任務（如分類問題)中，不平衡數(shù)據(jù)會導致訓練的模型預測的結果會偏向于樣本數(shù)量多的類別，這個時候除了要選擇合適的評估指標外，想要提升模型的性能，就要對數(shù)據(jù)和模型做一些預處理。

處理數(shù)據(jù)不平衡的主要方法：

•  欠采樣
•  過采樣
•  綜合采樣
•  模型集成
•  調(diào)整類別權重或者樣本權重

2. 數(shù)據(jù)不平衡處理方法

imbalanced-learn庫提供了許多不平衡數(shù)據(jù)處理的方法，本文的例子都以imbalanced-learn庫來實現(xiàn)。

pip install -U imbalanced-learn  

https://github.com/scikit-learn-contrib/imbalanced-learn

本文例子的數(shù)據(jù)來自進行中的比賽山東省第二屆數(shù)據(jù)應用創(chuàng)新創(chuàng)業(yè)大賽-日照分賽場-公積金貸款逾期預測

先來看下數(shù)據(jù) 

import pandas as pd  
train_data = './data/train.csv'  
test_data = './data/test.csv'  
train_df = pd.read_csv(train_data)  
test_df = pd.read_csv(test_data)  
print(train_df.groupby(['label']).size())  
# label為是否違約， 1為違約， 0為非違約  
#     label  
# 0    37243  
# 1     2757 

2.1 欠采樣

所謂欠采樣，就是將數(shù)量多類別（記為majority）的樣本進行抽樣，使之數(shù)量與數(shù)量少的類別（minority）的數(shù)量相當，以此達到數(shù)量的平衡。

由于欠采樣是丟失了一部分數(shù)據(jù)，不可避免的使得數(shù)量多類別樣本的分布發(fā)生了變化（方差變大）。好的欠采樣策略應該盡可能保持原有數(shù)據(jù)分布。

欠采樣是刪除majority的樣本，那哪些樣本可以刪除呢？

•  一種是overlapping的數(shù)據(jù)，就是多余的數(shù)據(jù)
•  一種是干擾的數(shù)據(jù)，干擾minority的分布

基于此，有兩種思路來欠采樣

• 邊界相鄰匹配，考慮在近鄰空間內(nèi)刪除majority樣本，方法如TomekLinks, NearMiss

下面這張圖，展示6NN（6個最近鄰居）

這里重點講下TomekLinks， TomekLinks方法簡單的說：對每一個minority樣本找1NN（最近的鄰居），如果最近的鄰居是majority， 就形成一個tome-links，該方法人為這個majority是干擾的，將它刪除。

from imblearn.under_sampling import TomekLinks  
X_train = train_df.drop(['id', 'type'], axis=1)  
y = train_df['label']  
tl = TomekLinks()  
X_us, y_us = tl.fit_sample(X_train, y)  
print(X_us.groupby(['label']).size())  
# label  
# 0    36069  
# 1     2757 

從上可知， 有1174個tomek-link被刪除，好像刪除還不夠多，可以測試下是否對分類結果有幫助。需要注意的因為需要計算最近鄰，所以樣本屬性必須數(shù)值屬性，或者可以轉(zhuǎn)化為數(shù)值屬性。

•  聚類

          這類方法通過多個聚類，把原始樣本劃分成多個聚類簇，然后用每個聚類簇的中心來代替這個聚類簇的特性，完成采樣的目的。可知，這種采樣的樣本不是來自原始樣本集，而是聚類生成              的。   

from imblearn.under_sampling import ClusterCentroids   
    cc = ClusterCentroids(random_state=42)  
    X_res, y_res = cc.fit_resample(X_train, y)  
    X_res.groupby(['label']).size()  
    # label  
    # 0    2757  
    # 1    2757 

im-balance提供的欠采樣的方法如下：

•  Random majority under-sampling with replacement
•  Extraction of majority-minority Tomek links
•  Under-sampling with Cluster Centroids
•  NearMiss-(1 & 2 & 3)
•  Condensed Nearest Neighbour
•  One-Sided Selection
•  Neighboorhood Cleaning Rule
•  Edited Nearest Neighbours
•  Instance Hardness Threshold
•  Repeated Edited Nearest Neighbours
•  AllKNN

2.2 過采樣

所謂過采樣，就是將數(shù)量少的類別（minority）的樣本進行copy，使之數(shù)量與數(shù)量多的類別(majortity)的數(shù)量相當，以此達到數(shù)量的平衡。由于復制了多份minoruty樣本，過采樣會改變minority方差。

過采樣一種簡單的方式是隨機copy minority的樣本；另外一種是根據(jù)現(xiàn)有樣本生成人造樣本。這里介紹人造樣本的經(jīng)典算法SMOTE(Synthetic Minority Over-sampling Technique)。

SMOTE基于minority樣本相似的特征空間構造新的人工樣本。步驟如下：

•  選擇一個minority樣本，計算其KNN鄰居
•  在K個鄰居中，隨機選擇一個近鄰
•  修改某一個特征,偏移一定的大小：偏移的大小為該minority樣本與該近鄰差距乘以一個小的隨機比率(0, 1)， 就此生成新樣本

from imblearn.over_sampling import SMOTE  
smote = SMOTE(k_neighbors=5, random_state=42)  
X_res, y_res = smote.fit_resample(X_train, y)  
X_res.groupby(['label']).size()  
# label  
# 0    37243  
# 1    37243 

對于SMOTE方法，對每一個minority都會構造新樣本。但是并不總是這樣的，考慮下面A,B,C三個點。從數(shù)據(jù)分布來看，C點很可能是一個異常點（Noise），B點是正常分布的點（SAFE），而A點分布在邊界位置（DANGER）;直觀上，對于C點我們不應該去構造新樣本，對B點，構造新樣本不會豐富minority類別的分布。只有A點，如果構造新樣本能夠使得A點從（DANGER）到（SAFE），加強minority類別的分類邊界。這個就是Borderline-SMOTE

from imblearn.over_sampling import BorderlineSMOTE  
bsmote = BorderlineSMOTE(k_neighbors=5, random_state=42)  
X_res, y_res = bsmote.fit_resample(X_train, y)  
X_res.groupby(['label']).size()  
# label  
# 0    37243  
# 1    37243 

ADASYN方法從保持樣本分布的角度來確定生成數(shù)據(jù)，生成數(shù)據(jù)的方式和SMOTE是一樣的，不同在于每個minortiy樣本生成樣本的數(shù)量不同。

•  先確定要生成樣本的數(shù)量 beta為[0, 1]   

•  對每個每個minortiy樣本，確定有它生成樣本的比例。先找出K最近鄰，計算K最近鄰中屬于majority的樣本比例（即分子），Z是歸一化因子，保證所有的minortiry的比例和為1，可以認為是所有分子的和。  

•  計算每個minortiy生成新樣本的數(shù)量

•  按照SMOTE方式生成樣本 

from imblearn.over_sampling import ADASYN   
adasyn = ADASYN(n_neighbors=5, random_state=42)  
X_res, y_res = adasyn.fit_resample(X_train, y)  
X_res.groupby(['label']).size()  
# label  
# 0    37243  
# 1    36690 

im-balance提供的過采樣的方法如下（包括SMOTE算法的變種）：

•  Random minority over-sampling with replacement
•  SMOTE - Synthetic Minority Over-sampling Technique
•  SMOTENC - SMOTE for Nominal Continuous
•  bSMOTE(1 & 2) - Borderline SMOTE of types 1 and 2
•  SVM SMOTE - Support Vectors SMOTE
•  ADASYN - Adaptive synthetic sampling approach for imbalanced learning
•  KMeans-SMOTE
•  ROSE - Random OverSampling Examples

2.3 綜合采樣

過采樣是針對minority樣本，欠采樣是針對majority樣本；而綜合采樣是既對minority樣本，又對majority樣本，同時進行操作的方法。主要有SMOTE+Tomek-links和SMOTE+Edited Nearest Neighbours。

綜合采樣的方法，是先進行過采樣，在進行欠采樣。 

from imblearn.combine import SMOTETomek  
smote_tomek = SMOTETomek(random_state=0)  
X_res, y_res = smote_tomek.fit_sample(X_train, y)  
X_res.groupby(['label']).size()  
# label  
# 0    36260  
# 1    36260 

2.4 模型集成

這里的模型集成主要體現(xiàn)在數(shù)據(jù)上，即用眾多平衡的數(shù)據(jù)集（majortiry的樣本進行欠采樣加上minority樣本）訓練多個模型，然后進行集成。imblearn.ensemble提供幾種常見的模型集成算法，如BalancedRandomForestClassifier 

from imblearn.ensemble import BalancedRandomForestClassifier  
from sklearn.datasets import make_classification  
X, y = make_classification(n_samples=1000, n_classes=3,  
                           n_informative=4, weights=[0.2, 0.3, 0.5],  
                           random_state=0)  
clf = BalancedRandomForestClassifier(max_depth=2, random_state=0)  
clf.fit(X, y)    
print(clf.feature_importances_)    
print(clf.predict([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0,  
                    0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])) 

im-balance提供的模型集成的方法如下

•  Easy Ensemble classifier
•  Balanced Random Forest
•  Balanced Bagging
•  RUSBoost

2.5 調(diào)整類別權重或者樣本權重

對于很多用梯度下降方法來學習（使得某個損失Loss最小）的機器學習的方法，可以通過調(diào)整類別權重或樣本權重的方式，來一定程度上平衡不平衡數(shù)據(jù)。如gbdt模型lightgbm 中 class_weight 

import lightgbm as lgb  
clf = lgb.LGBMRegressor(num_leaves=31,   
                        min_child_samples= np.random.randint(20,25),  
                        max_depth=25,  
                        learning_rate=0.1,   
                        class_weight={0:1, 1:10},  
                        n_estimators=500,   
                        n_jobs=30) 

3. 總結

本文分享了常見的幾種處理不平衡數(shù)據(jù)集的方法，并且提供imbalanced-learn的簡單例子。總結如下：

•  欠采樣: 減少majoritry樣本
•  過采樣：增加minority樣本
•  綜合采樣：先過采樣，在欠采樣
•  模型集成：制造平衡數(shù)據(jù)（majoritry樣本欠采樣+minority樣本），多次不同的欠采樣，訓練不同的模型，然后融合
•  不管是欠采樣和過采樣，都一定程度的改變了原始數(shù)據(jù)的分布，可能造成模型過擬合。需要去嘗試哪種方法，符合實際的數(shù)據(jù)分布。當然不一定有效果，去勇敢嘗試吧 just do it！