處理不平衡數據的技巧總結！

在銀行欺詐檢測，市場實時競價或網路入侵檢測等領域通常是什麼樣的數據集呢？

在這些領域使用的數據通常有不到1％少量但「有趣的」事件，例如欺詐者利用信用卡，用戶點擊廣告或者損壞的伺服器掃描網路。

然而，大多數機器學習演算法對於不平衡數據集的處理不是很好。 以下七種技術可以幫你訓練分類器來檢測異常類。

1.使用正確的評估指標

對使用不平衡數據生成的模型應用不恰當的評估指標可能是危險的。

想像一下，我們的訓練數據如上圖所示。 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確性（99.8％），但顯然這種模型不會為我們提供任何有價值的信息。

在這種情況下，可以應用其他替代評估指標，例如：

精度/特異性：有多少個選定的相關實例。

調用/靈敏度：選擇了多少個相關實例。

F1得分：精度和召回的諧波平均值。

MCC：觀察和預測的二進位分類之間的相關係數。

AUC：正確率與誤報率之間的關係。

2.重新採樣訓練集

除了使用不同的評估標準外，還可以選擇不同的數據集。使平衡數據集不平衡的兩種方法：欠採樣和過採樣。

欠採樣通過減少冗餘類的大小來平衡數據集。當數據量足夠時使用此方法。通過將所有樣本保存在少數類中，並在多數類中隨機選擇相等數量的樣本，可以檢索平衡的新數據集以進一步建模。

相反，當數據量不足時會使用過採樣，嘗試通過增加稀有樣本的數量來平衡數據集。不是去除樣本的多樣性，而是通過使用諸如重複，自舉或SMOTE等方法生成新樣本（合成少數過採樣技術）

請注意，一種重採樣方法與另一種相比沒有絕對的優勢。這兩種方法的應用取決於它適用的用例和數據集本身。過度取樣和欠採樣不足結合使用也會有很好的效果。

3.以正確的方式使用K-fold交叉驗證

值得注意的是，使用過採樣方法來解決不平衡問題時，應適當地應用交叉驗證。切記，過採樣會觀察到稀有的樣本，並根據分布函數自舉生成新的隨機數據。如果在過採樣之後應用交叉驗證，那麼我們所做的就是將模型過度適應於特定的人工引導結果。這就是為什麼在過採樣數據之前應該始終進行交叉驗證，就像實現特徵選擇一樣。只有對數據進行重複採樣，可以將隨機性引入到數據集中，以確保不會出現過擬合問題。

4.組合不同的重採樣數據集

生成通用模型的最簡單方法是使用更多的數據。問題是，開箱即用的分類器，如邏輯回歸或機森隨林，傾向於通過丟棄稀有樣例來推廣。一個簡單的最佳實現是建立n個模型，使用少數類的所有樣本和數量充足類別的n個不同樣本。假如您想要組合10個模型，需要少數類1000例，隨機抽取10.000例多數類的樣本。然後，只需將10000個樣本分成10個塊，訓練出10個不同的模型。

如果您有大量數據，那麼這種方法很簡單，完美地實現水平擴展，因此您可以在不同的集群節點上訓練和運行模型。集合模型也趨於一般化，使得該方法容易處理。

5.用不同比例重新採樣

以前的方法可以通過少數類和多數類之間的比例進行微調。最好的比例在很大程度上取決於所使用的數據和模型。但是，不是在整體中以相同的比例訓練所有模型，合併不同的比例值得嘗試。 所以如果訓練了10個模型，對一個模型比例為1：1（少數：多數），另一個1：3甚至是2：1的模型是有意義的。 根據使用的模型可以影響一個類獲得的權重。

6. 對多數類進行聚類

Sergey Quora提出了一種優雅的方法[2]。他建議不要依賴隨機樣本來覆蓋訓練樣本的種類，而是將r個分組中的多數類進行聚類，其中r為r中的樣本數。對於每個組，只保留質心（樣本的中心）。然後該模型僅保留了少數類和樣本質心來訓練。

7.設計自己的模型

以前的所有方法都集中在數據上，並將模型作為固定的組件。但事實上，如果模型適用於不平衡數據，則不需要對數據進行重新採樣。如果數據樣本沒有太多的傾斜，著名的XGBoost已經是一個很好的起點，因為該模型內部對數據進行了很好的處理，它訓練的數據並不是不平衡的。但是再次，如果數據被重新採樣，它只是悄悄進行。

通過設計一個損失函數來懲罰少數類的錯誤分類，而不是多數類，可以設計出許多自然泛化為支持少數類的模型。例如，調整SVM以相同的比例懲罰未被充分代表的少數類的分類錯誤。

綜上所述

這不是一份獨家的技術清單，而是處理不平衡數據的一個起點。

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

同樣重要的是，要注意在不平衡類出現的許多領域（例如欺詐檢測，實時競價）中，「市場規則」正在不斷變化。所以，要查看一下過去的數據是否已經過時了。

來源：數據與演算法之美

作者：Rick Radewagen

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！