• 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 調整損失函數

  • 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)問題是數據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境中，分類器(classifier)扮演的角色通常是識別數據中的“少數派”，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

• 病情監測與識別等等

在這樣的應用環境下，作為少數派的群組在數據總體中往往占了極少的比例：絕大多數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，大多數的流水線產品是合格產品，在進行檢查的人群中特定疾病的發病率通常非常低。

如果這樣的話，假設99%的正樣本+1%的負樣本構成了數據集，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。這個按照樣本個數計算準確率的評價指標叫做——Accuracy.

因此我們為了避免這種情況，最常用的評價指標就是F-score,Precision&Recal，Kappa系數。

【F-Score和Kappa系數已經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

• 調整損失函數

• 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量的樣本，飯后不斷復制抽取的隨機樣本，直到少數量的樣本與多數量的樣本處于同一數量級。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樣本的數據庫。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？)

核心思想是依據現有的少數類樣本人為制造一些新的少數類樣本 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之間的隨機數就可以組成一個新的少數類樣本。容易發現的是，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在每一個少數類樣本的周圍隨機的創建樣本，ADASYN給每一個少數類的樣本分配了權重，在學習難度較高的少數類樣本周圍創建更多的樣本。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，經過這樣的處理后，這個負樣本周圍會產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的樣本。弊端自然是，樣本數量的減少，刪除了數據的信息

---

【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，比方說就用歐氏距離（可能需要對樣本的數據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，直到正樣本的數量等于負樣本的數量。

---

【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類樣本。經過這樣的處理，兩類樣本之間的分界線變得更加清晰，使少數類的存在更加明顯。

下圖是操作的過程。

2.2 調整損失函數

調整損失函數的目的本身是為了使模型對少數量樣本更加敏感。訓練任何一個機器學習模型的最終目標是損失函數(loss function)的最小化，如果能夠在損失函數中加大錯判少數類樣本的損失，那么模型自然而然能夠更好地識別出少數類樣本。

比較著名的損失函數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據，可以將多數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，但是數據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 ，它將多數樣本劃分成若 N個集合，然后將劃分過后的集合與少數樣本組合，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，采用的是經驗風險最小化作為模型的學習準則，即，他的優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類的擬合情況下，畢竟多數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化函數的模型）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。

- END -

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯獲取一折本站知識星球優惠券，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：

總結

以上是生活随笔為你收集整理的【机器学习基础】八种应对样本不均衡的策略的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。