機(jī)器學(xué)習(xí)中難免遇到正負(fù)樣本不平衡問(wèn)題，處理辦法通常有梁總，一：過(guò)采樣，增加正樣本數(shù)據(jù)；二：欠采樣，減少負(fù)樣本數(shù)據(jù)，缺點(diǎn)是會(huì)丟失一些重要信息。smote屬于過(guò)采樣。

代碼

# from imblearn.over_sampling import BorderlineSMOTE

# from imblearn.over_sampling import SMOTENC

# from imblearn.over_sampling import SVMSMOTE

# from imblearn.over_sampling import KMeansSMOTE

# from imblearn.over_sampling import ADASYN

# from imblearn.over_sampling import RandomOverSampler

import pandas as pd

import numpy as np

from collections import Counter

from imblearn.over_sampling import SMOTE# 使用imlbearn庫(kù)中上采樣方法中的SMOTE接口

import matplotlib.pyplot as plt

# 生成一組0和1比例為9比1的樣本，X為特征，y為對(duì)應(yīng)的標(biāo)簽

x1=[np.random.randint(1,31) for i in range(90)]+[np.random.randint(50,81) for i in range(10)]

x2=[np.random.randint(1,31) for i in range(90)]+[np.random.randint(50,81) for i in range(10)]

y=[0 for i in range(90)]+[1 for i in range(10)]

x=pd.DataFrame({'x1':x1,'x2':x2})

y=pd.DataFrame(y)

# 查看所生成的樣本類別分布，0和1樣本比例9比1，屬于類別不平衡數(shù)據(jù)

print(Counter(list(y[0])))

fig1=plt.figure(1)

plt.scatter(x['x1'],x['x2'])

plt.show

# 定義SMOTE模型，random_state相當(dāng)于隨機(jī)數(shù)種子的作用

smo = SMOTE(sampling_strategy='auto',random_state=10)

x_smo, y_smo = smo.fit_sample(x, y)

print(Counter(list(y_smo[0])))

fig2=plt.figure(2)

plt.scatter(x_smo['x1'],x_smo['x2'])

plt.show

結(jié)果

處理前

處理后

如果對(duì)你有幫助，請(qǐng)點(diǎn)下贊，予人玫瑰手有余香！

時(shí)時(shí)仰望天空，理想就會(huì)離現(xiàn)實(shí)越來(lái)越近！

總結(jié)

以上是生活随笔為你收集整理的python样本不均衡_使用Python中的smote处理正负样本之间的不平衡,python,实现,失衡,问题...的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。