机器学习中不平衡数据处理综述

简介

在现实世界中，我们收集的数据在大多数时候是严重不平衡的，所谓不平衡数据集就是训练样本不是平均分布在目标类中，例如，如果我们以个人贷款分类问题为例，就很容易得到“未批准”的数据，而不是“已批准”的信息，结果，模型会更偏向具有大量训练实例的类，这降低了模型的预测能力。

在典型的二元分类问题中，它还会II型错误的增加。这一障碍不仅局限于机器学习模型，而且也主要存在于计算机视觉和自然语言处理领域。这些问题可以通过对每个区域分别使用不同的技术来有效地处理。

注意:本文将简要概述各种可用的数据增强方法，但不深入技术细节，这里展示的所有图像都来自Kaggle。

目录

1. 机器学习——不平衡数据(上采样和下采样)
2. 计算机视觉——不平衡数据(图像数据增强)
3. NLP——不平衡数据(Google交易和分类权重)

1. 机器学习——不平衡数据

处理类不平衡的两种主要方法是上采样/过采样和下采样/欠采样。抽样过程只应用于训练集，对验证和测试数据不作任何更改。python中的Imblearn库可以方便地实现数据重采样。

上采样是将合成生成的数据点(对应于少数类)注入数据集的过程，在这个过程之后，两个标签的计数几乎是相同的，这种均衡过程防止了模型向多数类倾斜，而且目标类之间的交互(边界)保持不变，同时，上采样机制由于附加信息的存在而给系统带来偏差。

我们可以通过分析Google Analytics的贷款预测问题来解释这些步骤。这里使用的训练数据集可以在以下链接中找到。

• https://datahack.analyticsvidhya.com/contest/practice-problem-loan-prediction-iii/

下面提到的所有代码都可以在GitHub存储库中找到。

• https://github.com/NandhiniN85/Class-Imbalancing

SMOTE(SyntheticMinorityOversamplingTechnique)——upsampling: 上采样

SMOTE基于knearestneighbors算法，综合生成数据点，这些数据点位于已经存在的数量被超过的群体附近。应用此方法时，输入记录不应包含任何空值。

#import imblearn library
from imblearn.over_sampling import SMOTENC
oversample = SMOTENC(categorical_features=[0,1,2,3,4,9,10], random_state = 100)
X, y = oversample.fit_resample(X, y)

datduplicate—upsampling: 在这种方法中，已存在的数据点被随机抽取并重复。

from sklearn.utils import resample
maxcount = 332
train_nonnull_resampled = train_nonnull[0:0]
for grp in train_nonnull['Loan_Status'].unique():
    GrpDF = train_nonnull[train_nonnull['Loan_Status'] == grp]
    resampled = resample(GrpDF, replace=True, n_samples=int(maxcount), random_state=123)
    train_nonnull_resampled = train_nonnull_resampled.append(resampled)

下采样是一种减少训练样本落在多数类下的机制。因为它有助于平衡目标类别的计数，但删除收集到的数据，我们往往会丢失很多有价值的信息。

Tomek (T-Links): -

T-Link基本上是来自不同类(最近的邻居)的一对数据点，其目标是丢弃与多数类（数量较多的类）相对应的样本，从而减少占主导地位的标签的数量。这也增加了两个标签之间的边界空间，从而提高了性能准确性。

from imblearn.under_sampling import TomekLinks
undersample = TomekLinks()
X, y  = undersample.fit_resample(X, y)

质心

基于: 算法尝试在多数类中寻找同质聚类，只保留质心，这将减少多数类的最大份额。它利用了KMeans集群中使用的逻辑，但是很多有用的信息会被浪费。

2. 计算机视觉——不平衡数据

对于非结构化数据，如图像和文本输入，上述平衡技术将不会有效。在计算机视觉中，模型的输入是图像中像素的张量表示，所以只是随机改变像素值(为了添加更多的输入记录)就可以完全改变图片本身的意义。有一种概念叫做数据增强，即图像经过大量转换后仍然保持其意义不变。

各种图像转换包括缩放、剪切、翻转、填充、旋转、亮度、对比度和饱和度变化，通过这样做，仅使用单个图像，就可以创建一个庞大的图像数据集。

让我们看看Analyticsvidhya中发布的计算机视觉hackathon，使用的数据集可以在这里找到。

• https://datahack.analyticsvidhya.com/contest/janatahack-computer-vision-hackathon/#ProblemStatement

要求是将车辆分为紧急和非紧急两类。为了便于说明，我们使用“0.jpg”图像。

from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img
datagen = ImageDataGenerator(
        rotation_range=40,
        width_shift_range=0.2,
        height_shift_range=0.2,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True,
        fill_mode='nearest')
img = load_img('images/0.jpg')  
x = img_to_array(img)  
x = x.reshape((1,) + x.shape)  
print(x.shape)
# the .flow() command below generates batches of randomly transformed images
# and saves the results to the `preview/` directory
i = 0
for batch in datagen.flow(x, batch_size=1,
                          save_to_dir='preview', save_prefix='vehichle', save_format='jpeg'):
    i += 1
    if i > 19:
        break  # otherwise the generator would loop indefinitely

在GitHub存储库中可以找到整个代码和一个预训练过的模型。

• https://github.com/NandhiniN85/Class-Imbalancing/blob/main/Computer%20Vision%20-%20Data%20Imbalanced.ipynb

可以参考这个链接了解ImageDataGenerator的详细用法。

• https://keras.io/api/preprocessing/image/

3. NLP——不平衡数据

自然语言处理模型处理序列数据，如文本、移动图像，其中当前数据与之前的数据有时间依赖性。由于文本输入属于非结构化数据，所以我们要以不同的方式处理这些场景。例如，以票据分类语言模型为例，其中IT票据必须根据输入文本中出现的单词顺序分配给不同的组。

谷歌翻译(google trans python包): 这是扩展少数群体数量的有用技术之一。在这里，我们把给定的句子翻译成“非英语”语言，然后再翻译成“英语”，通过这种方式，可以维护输入消息的重要细节，但是单词的顺序/有时具有相似意义的新词作为新记录引入，从而可以对不足类进行计数。

输入文字- "warning for using windows disk space"

数据补充文字-“Warning about using Windows storage space”

即使上面的句子的意思是一样的，它也引入了新单词，从而通过扩大输入样本的数量来提高语言模型的学习能力。

下面执行的代码可以在GitHub存储库中找到。

• https://github.com/NandhiniN85/Class-Imbalancing/blob/main/NLP%20-%20Class%20Imbalanced.ipynb

这个例子只包含了一个非英语代码。在google trans 中使用的语言代码的完整列表可以在以下链接找到：https://py-googletrans.readthedocs.io/en/latest/

from googletrans import Translatortranslator = Translator()
def German_translation(x):    print(x)        german_translation = translator.translate(x, dest='de')        return german_translation.text
def English_translation(x):    print(x)    
    english_translation = translator.translate(x, dest='en')        return english_translation.text

x = German_translation("warning for using windows disk space")
English_translation(x)

类权重: 该方法是在拟合模型过程中利用类权重参数。对于目标中的每个类别，都分配一个权重，与多数类相比，少数类将获得更多的权重，因此，在反向传播过程中，与少数类相关联的损失值越大，模型会对输出中的所有类一视同仁。

import numpy as np
from tensorflow import keras
from sklearn.utils.class_weight import compute_class_weight
y_integers = np.argmax(raw_y_train, axis=1)
class_weights = compute_class_weight('balanced', np.unique(y_integers), y_integers)
d_class_weights = dict(enumerate(class_weights))
history = model.fit(input_final, raw_y_train, batch_size=32, class_weight = d_class_weights, epochs=8,callbacks=[checkpoint,reduceLoss],validation_data =(val_final, raw_y_val), verbose=1)

这个选项在机器学习分类器中也可用，如我们给class_weight = ' balanced '的' SVM '。

# fit the training dataset on the classifier
SVM = svm.SVC(C=1.0, kernel='linear', degree=3, gamma='auto', class_weight='balanced', random_state=100)

使用类权重的整个python代码可以在GitHub链接中找到。

• https://github.com/NandhiniN85/Class-Imbalancing/blob/main/English_raw200_model_execution.ipynb

结论

到目前为止，我们已经讨论了不同领域处理不平衡数据的各种方法，如机器学习、计算机视觉和自然语言处理。尽管这些方法只是解决多数Vs少数目标群体问题的开始，还有其他先进的技术可以进一步探索。

✄------------------------------------------------

感谢对我们的支持！