【機器學習基礎】八種應對樣本不均衡的策略
1 什么是非均衡
2 10種解決辦法
2.1 重采樣（六種方法）
2.2 調(diào)整損失函數(shù)
2.3 異常值檢測框架
2.4 二分類變成多分類
2.5 EasyEnsemble
3 為什么樹模型不擔心這個問題
1 什么是非均衡
分類(classification)問題是數(shù)據(jù)挖掘領域中非常重要的一類問題，目前有琳瑯滿目的方法來完成分類。然而在真實的應用環(huán)境中，分類器(classifier)扮演的角色通常是識別數(shù)據(jù)中的“少數(shù)派”，比如：
銀行識別信用卡異常交易記錄 垃圾郵件識別 檢測流水線識別殘次品 病情監(jiān)測與識別等等
在這樣的應用環(huán)境下，作為少數(shù)派的群組在數(shù)據(jù)總體中往往占了極少的比例：絕大多數(shù)的信用卡交易都是正常交易，八成以上的郵件都是正常郵件，大多數(shù)的流水線產(chǎn)品是合格產(chǎn)品，在進行檢查的人群中特定疾病的發(fā)病率通常非常低。
如果這樣的話，假設99%的正樣本+1%的負樣本構成了數(shù)據(jù)集，那么假設模型的預測結果全是正，這樣的完全沒有分辨能力的模型也可以得到99%的準確率。這個按照樣本個數(shù)計算準確率的評價指標叫做——Accuracy.
因此我們?yōu)榱吮苊膺@種情況，最常用的評價指標就是F-score,Precision&Recal，Kappa系數(shù)。
【F-Score和Kappa系數(shù)已經(jīng)在歷史文章中講解過啦】
2 10種解決辦法
解決辦法主要有下面10種不同的方法。
重采樣resampling 上采樣：簡單上采樣，SMOT，ADASYN 下采樣：簡單下采樣，聚類Cluter，Tomek links 調(diào)整損失函數(shù) 異常值檢測框架 二分類變成多分類 EasyEnsemble
2.1 重采樣（四種方法）
重采樣的目的就是讓少的樣本變多，或者是讓多的樣本變少。下圖很形象的展示出這個過程：
【簡單上采樣】
就是有放回的隨機抽取少數(shù)量的樣本，飯后不斷復制抽取的隨機樣本，直到少數(shù)量的樣本與多數(shù)量的樣本處于同一數(shù)量級。但是這樣容易造成過擬合問題。
為什么會造成過擬合呢？ 最極端的例子就是把一個樣本復制100次，這樣就有了一個100樣本的數(shù)據(jù)庫。模型訓練出來很可能得到100%的正確率，但是這模型真的學到東西了嗎？
【SMOTE】
SMOT:Synthetic Minority Over-sampling Technique.(翻譯成中文，合成最少個體上采樣技術？)
核心思想是依據(jù)現(xiàn)有的少數(shù)類樣本人為制造一些新的少數(shù)類樣本 SMOTE在先用K近鄰算法找到K個近鄰，利用這個K個近鄰的各項指標，乘上一個0~1之間的隨機數(shù)就可以組成一個新的少數(shù)類樣本。容易發(fā)現(xiàn)的是，就是SMOTE永遠不會生成離群樣本
【ADASYN】
ADASYN：Adaptive Synthetic Sampling Approach（自適應合成樣本方法）
ADASYN其實是SMOTE的一種衍生技術，相比SMOT在每一個少數(shù)類樣本的周圍隨機的創(chuàng)建樣本，ADASYN給每一個少數(shù)類的樣本分配了權重，在學習難度較高的少數(shù)類樣本周圍創(chuàng)建更多的樣本。在K近鄰分類器分類錯誤的那些樣本周圍生成更多的樣本，也就是給他們更大的權重，而并不是隨機0~1的權重。
這樣的話，就好像，一個負樣本周圍有正樣本，經(jīng)過這樣的處理后，這個負樣本周圍會產(chǎn)生一些相近的負樣本。這樣的弊端也是顯而易見的，就是對離群點異常敏感。
【簡單下采樣】這個很簡單，就是隨機刪除一些多數(shù)的樣本。弊端自然是，樣本數(shù)量的減少，刪除了數(shù)據(jù)的信息
【聚類】這個是一個非常有意思的方法。我們先選取樣本之間相似度的評估函數(shù)，比方說就用歐氏距離（可能需要對樣本的數(shù)據(jù)做歸一化來保證不同特征的同一量綱）。
方法1：假設有10個負樣本和100個正樣本，對100個正樣本做kmeans聚類，總共聚10個類出來，然后每一個類中心作為一個正樣本。
方法2：使用K近鄰，然后用K個樣本的中心來代替原來K個樣本。一直這樣做，直到正樣本的數(shù)量等于負樣本的數(shù)量。
【Tomek links】
這個不知道咋翻譯
Tomek links是指相反類樣本的配對，這樣的配對距離非常近，也就是說這樣的配對中兩個樣本的各項指標都非常接近，但是屬于不同的類。如圖所示，這一方法能夠找到這樣的配對，并刪除配對中的多數(shù)類樣本。經(jīng)過這樣的處理，兩類樣本之間的分界線變得更加清晰，使少數(shù)類的存在更加明顯。
下圖是操作的過程。
2.2 調(diào)整損失函數(shù)
調(diào)整損失函數(shù)的目的本身是為了使模型對少數(shù)量樣本更加敏感。訓練任何一個機器學習模型的最終目標是損失函數(shù)(loss function)的最小化，如果能夠在損失函數(shù)中加大錯判少數(shù)類樣本的損失，那么模型自然而然能夠更好地識別出少數(shù)類樣本。
比較著名的損失函數(shù)就是目標檢測任務中的focal loss。不過在處理其他任務的時候，也可以人為的增加少數(shù)樣本錯判的損失。
2.3 異常值檢測框架
將分類問題轉換成為一個異常值監(jiān)測框架
這個異常值檢測框架又是一個非常大的體系，有很多不同的模型，比方說：異常森立等。之后會專門講講這個體系的模型的。
（小伙伴關注下公眾號唄，不迷路呀）
2.4 二分類變成多分類
對于不均衡程度較低的數(shù)據(jù)，可以將多數(shù)量樣本進一步分為多個組，雖然二分類問題被轉化成了一個多分類問題，但是數(shù)據(jù)的不平衡問題被解決，接下來就可以使用多分類中的一對多(OVA)或一對一(OVO)的分類方式進行分類。
就是把多數(shù)類的樣本通過聚類等方法，劃分成不同的類別。這樣2分類任務就變成了多分類任務。
2.5 EasyEnsemble
另外一種欠采樣的改進方法是 EasyEnsemble ，它將多數(shù)樣本劃分成若 N個集合，然后將劃分過后的集合與少數(shù)樣本組合，這樣就形成了N個訓練集合，而且每個訓練都正負樣本均衡，并且從全局來看卻沒有信息丟失。
3 為什么樹模型不擔心這個問題
要解釋這個問題，首先要理解這兩個算法擬合樣本的本質。
邏輯回歸的算法，采用的是經(jīng)驗風險最小化作為模型的學習準則，即，他的優(yōu)化目標是最小化模型在訓練集上的平均損失。 具體而言，邏輯回歸采用的最大后驗概率的策略，他的目標是使得訓練集總體的后驗概率最大。因此這種算法天然地會將關注點更多地放在多數(shù)類的擬合情況下，畢竟多數(shù)類別的分類正確與否，更為影響最終整體的損失情況。 而在樣本不均衡的建模任務中，我們常常其實更關注的是少數(shù)類別的分類正確情況。這就導致了我們實際的建模目標和模型本身的優(yōu)化目標是不一致的。因此，在我們的感覺之中就會認為邏輯回歸（包含其他使用類似優(yōu)化函數(shù)的模型）對樣本不均衡比較敏感。
而另一方面，樹模型采用的更新策略則完全不同，他的優(yōu)化目標是最大化分叉以后的信息增益的。為了做到這一點，樹模型天然地希望分叉以后，每個節(jié)點的樣本更“純”，從而增大增益。在這種情況下，即使樣本有偏，模型也會對這個類別給予足夠的關注度，因此受樣本有偏的影響就大大減少。
往期精彩回顧
獲取一折本站知識星球優(yōu)惠券，復制鏈接直接打開：
https://t.zsxq.com/yFQV7am
本站qq群1003271085。
加入微信群請掃碼進群：