文：Rick Radewagen

譯：李萌

在銀行欺詐檢測，市場實(shí)時(shí)競價(jià)或網(wǎng)絡(luò)入侵檢測等領(lǐng)域通常是什么樣的數(shù)據(jù)集呢？

在這些領(lǐng)域使用的數(shù)據(jù)通常有不到1％少量但“有趣的”事件，例如欺詐者利用信用卡，用戶點(diǎn)擊廣告或者損壞的服務(wù)器掃描網(wǎng)絡(luò)。?

然而，大多數(shù)機(jī)器學(xué)習(xí)算法對于不平衡數(shù)據(jù)集的處理不是很好。 以下七種技術(shù)可以幫你訓(xùn)練分類器來檢測異常類。

1.使用正確的評估指標(biāo)?

對使用不平衡數(shù)據(jù)生成的模型應(yīng)用不恰當(dāng)?shù)脑u估指標(biāo)可能是危險(xiǎn)的。

想象一下，我們的訓(xùn)練數(shù)據(jù)如上圖所示。 如果使用精度來衡量模型的好壞，使用將所有測試樣本分類為“0”的模型具有很好的準(zhǔn)確性（99.8％），但顯然這種模型不會為我們提供任何有價(jià)值的信息。

在這種情況下，可以應(yīng)用其他替代評估指標(biāo)，例如：

• 精度/特異性：有多少個(gè)選定的相關(guān)實(shí)例。

• 調(diào)用/靈敏度：選擇了多少個(gè)相關(guān)實(shí)例。

• F1得分：精度和召回的諧波平均值。

• MCC：觀察和預(yù)測的二進(jìn)制分類之間的相關(guān)系數(shù)。

• AUC：正確率與誤報(bào)率之間的關(guān)系。

  
  

2.重新采樣訓(xùn)練集?

除了使用不同的評估標(biāo)準(zhǔn)外，還可以選擇不同的數(shù)據(jù)集。使平衡數(shù)據(jù)集不平衡的兩種方法：欠采樣和過采樣。

欠采樣通過減少冗余類的大小來平衡數(shù)據(jù)集。當(dāng)數(shù)據(jù)量足夠時(shí)使用此方法。通過將所有樣本保存在少數(shù)類中，并在多數(shù)類中隨機(jī)選擇相等數(shù)量的樣本，可以檢索平衡的新數(shù)據(jù)集以進(jìn)一步建模。

相反，當(dāng)數(shù)據(jù)量不足時(shí)會使用過采樣，嘗試通過增加稀有樣本的數(shù)量來平衡數(shù)據(jù)集。不是去除樣本的多樣性，而是通過使用諸如重復(fù)，自舉或SMOTE等方法生成新樣本（合成少數(shù)過采樣技術(shù)）

請注意，一種重采樣方法與另一種相比沒有絕對的優(yōu)勢。這兩種方法的應(yīng)用取決于它適用的用例和數(shù)據(jù)集本身。過度取樣和欠采樣不足結(jié)合使用也會有很好的效果。

3.以正確的方式使用K-fold交叉驗(yàn)證?

值得注意的是，使用過采樣方法來解決不平衡問題時(shí)，應(yīng)適當(dāng)?shù)貞?yīng)用交叉驗(yàn)證。切記，過采樣會觀察到稀有的樣本，并根據(jù)分布函數(shù)自舉生成新的隨機(jī)數(shù)據(jù)。如果在過采樣之后應(yīng)用交叉驗(yàn)證，那么我們所做的就是將模型過度適應(yīng)于特定的人工引導(dǎo)結(jié)果。這就是為什么在過采樣數(shù)據(jù)之前應(yīng)該始終進(jìn)行交叉驗(yàn)證，就像實(shí)現(xiàn)特征選擇一樣。只有對數(shù)據(jù)進(jìn)行重復(fù)采樣，可以將隨機(jī)性引入到數(shù)據(jù)集中，以確保不會出現(xiàn)過擬合問題。

4.組合不同的重采樣數(shù)據(jù)集

?

生成通用模型的最簡單方法是使用更多的數(shù)據(jù)。問題是，開箱即用的分類器，如邏輯回歸或機(jī)森隨林，傾向于通過丟棄稀有樣例來推廣。一個(gè)簡單的最佳實(shí)現(xiàn)是建立n個(gè)模型，使用少數(shù)類的所有樣本和數(shù)量充足類別的n個(gè)不同樣本。假如您想要組合10個(gè)模型，需要少數(shù)類1000例，隨機(jī)抽取10.000例多數(shù)類的樣本。然后，只需將10000個(gè)樣本分成10個(gè)塊，訓(xùn)練出10個(gè)不同的模型。

?如果您有大量數(shù)據(jù)，那么這種方法很簡單，完美地實(shí)現(xiàn)水平擴(kuò)展，因此您可以在不同的集群節(jié)點(diǎn)上訓(xùn)練和運(yùn)行模型。集合模型也趨于一般化，使得該方法容易處理。

5.用不同比例重新采樣

?

以前的方法可以通過少數(shù)類和多數(shù)類之間的比例進(jìn)行微調(diào)。最好的比例在很大程度上取決于所使用的數(shù)據(jù)和模型。但是，不是在整體中以相同的比例訓(xùn)練所有模型，合并不同的比例值得嘗試。?所以如果訓(xùn)練了10個(gè)模型，對一個(gè)模型比例為1：1（少數(shù)：多數(shù)），另一個(gè)1：3甚至是2：1的模型是有意義的。 根據(jù)使用的模型可以影響一個(gè)類獲得的權(quán)重。

6.?對多數(shù)類進(jìn)行聚類

?

Sergey Quora提出了一種優(yōu)雅的方法[2]。他建議不要依賴隨機(jī)樣本來覆蓋訓(xùn)練樣本的種類，而是將r個(gè)分組中的多數(shù)類進(jìn)行聚類，其中r為r中的樣本數(shù)。對于每個(gè)組，只保留質(zhì)心（樣本的中心）。然后該模型僅保留了少數(shù)類和樣本質(zhì)心來訓(xùn)練。

7.設(shè)計(jì)自己的模型

?

以前的所有方法都集中在數(shù)據(jù)上，并將模型作為固定的組件。但事實(shí)上，如果模型適用于不平衡數(shù)據(jù)，則不需要對數(shù)據(jù)進(jìn)行重新采樣。如果數(shù)據(jù)樣本沒有太多的傾斜，著名的XGBoost已經(jīng)是一個(gè)很好的起點(diǎn)，因?yàn)樵撃Ｐ蛢?nèi)部對數(shù)據(jù)進(jìn)行了很好的處理，它訓(xùn)練的數(shù)據(jù)并不是不平衡的。但是再次，如果數(shù)據(jù)被重新采樣，它只是悄悄進(jìn)行。

?

通過設(shè)計(jì)一個(gè)損失函數(shù)來懲罰少數(shù)類的錯(cuò)誤分類，而不是多數(shù)類，可以設(shè)計(jì)出許多自然泛化為支持少數(shù)類的模型。例如，調(diào)整SVM以相同的比例懲罰未被充分代表的少數(shù)類的分類錯(cuò)誤。

綜上所述

這不是一份獨(dú)家的技術(shù)清單，而是處理不平衡數(shù)據(jù)的一個(gè)起點(diǎn)。

沒有適合所有問題的最佳方法或模型，強(qiáng)烈建議您嘗試不同的技術(shù)和模型來評估哪些方法最有效。 可以嘗試創(chuàng)造性地結(jié)合不同的方法。

同樣重要的是，要注意在不平衡類出現(xiàn)的許多領(lǐng)域（例如欺詐檢測，實(shí)時(shí)競價(jià)）中，“市場規(guī)則”正在不斷變化。所以，要查看一下過去的數(shù)據(jù)是否已經(jīng)過時(shí)了。

文章版權(quán)歸原作者所有，轉(zhuǎn)載僅供學(xué)習(xí)使用，不用于任何商業(yè)用途，如有侵權(quán)請留言聯(lián)系刪除，感謝合作。

總結(jié)

以上是生活随笔為你收集整理的干货整理：处理不平衡数据的技巧总结！收好不谢的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。