一、SMOTE原理
SMOTE的全稱是Synthetic Minority Over-Sampling Technique 即“人工少數類過採樣法”,非直接對少數類進行重採樣,而是設計算法來人工合成一些新的少數樣本。
SMOTE步驟__1.選一個正樣本
紅色圈覆蓋
SMOTE步驟__2.找到該正樣本的K個近鄰(假設K = 3)
SMOTE步驟__3.隨機從K個近鄰中選出一個樣本
綠色的
SMOTE步驟__4.在正樣本和隨機選出的這個近鄰之間的連線上,隨機找一點。這個點就是人工合成的新正樣本了
二、調包實現
2.1 R調包實現_SMOTE
2.2 Python 調包實現_SMOTE
imblearn.over_sampling.SMOTE(
sampling_strategy = ‘auto’,
random_state = None, ## 隨機器設定
k_neighbors = 5, ## 用相近的 5 個樣本(中的一個)生成正樣本
m_neighbors = 10, ## 當使用 kind={'borderline1', 'borderline2', 'svm'}
out_step = ‘0.5’, ## 當使用kind = 'svm'
kind = 'regular', ## 隨機選取少數類的樣本
– borderline1: 最近鄰中的隨機樣本b與該少數類樣本a來自於不同的類
– borderline2: 隨機樣本b可以是屬於任何一個類的樣本;
– svm:使用支持向量機分類器產生支持向量然後再生成新的少數類樣本
svm_estimator = SVC(), ## svm 分類器的選取
n_jobs = 1, ## 使用的例程數,爲-1時使用全部CPU
ratio=None )
from imblearn.over_sampling import SMOTE
sm = SMOTE(random_state = 42, n_jobs = -1)
x, y = sm.fit_sample(x_val, y_val)
僅用正樣本的K近鄰生成新正樣本是正是SMOTE方法,考慮到(SMOTE的最終目的是分清正負樣本的邊界),所以需要對樣本生成進行優化
2.2.1 SMOTE優化 borderline1 方法簡述
Dgr = [] # 危險集
for i in 正樣本:
1) 計算點 i 在訓練集 D 上的 m 個最近鄰。
x = i 的最近鄰中屬於負樣本的數量
2) 如果 x = m,則 p 是一個噪聲
next
3) 如果 0 ≤ x ≤ m/2, 則說明p很安全
next
4) 如果 m/2 ≤ x ≤ m, 那麼點p就很危險了,我們需要在這個點附近生成一些新的少數類點
Dgr.append(x)
最後,對於每個在危險集(Dgr)中的點,使用SMOTE算法生成新的樣本
2.2.2 SMOTE優化 borderline2 方法簡述
前面1-4步驟均同 borderline1 方法
在最後進行SMOTE的時候:
採用了 比例分配 生成新樣本
for i in Dgr:
1) 正樣本 K 個近鄰
2) 負樣本 K 個近鄰
3) 正樣本 K 個近鄰選取 alpha 比例的樣本點
和 i 作隨機的線性插值 ==>> 新正樣本點
4) 負樣本K個近鄰選取 (1 - alpha) 比例的樣本點
和 i 作隨機的線性插值 ==>> 新正樣本點
三、算法實現
#! /user/bin/python 3
# -*- coding: utf-8 -*-
# author: Scc_hy
# 2018-11-17
# SMOTE
from sklearn.neighbors import NearestNeighbors
import numpy as np
import pandas as pd
import copy
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
class TWO_SMOTE():
"""
不平二分類人工插值法採樣
"""
def __init__(self,
K_neighbors = 5,
N_need = 200,
random_state = 42):
self.K_neighbors = K_neighbors
self.N_need = N_need
self.random_state = 42
def get_param_describe(self):
print(
"算法參數: \n"+
'K_neighbors: 和正樣本相近的隨機樣本數' + "\n" +
"N_need: 需要增加的正樣本數 (N_need // 100 * a)" + "\n" +
"random_state: 隨機器設定" + "\n"
"\nover_sample 參數:\n" +
"x_data: 需要進行過採樣的全部數據集(非文本DataFrame)" + "\n" +
"y_label: 類別標籤(非文本DataFrame.Series)"+ "\n"
)
def div_data(self, x_data, y_label):
"""
將數據依據類分開
"""
tp = set(y_label)
tp_less = [a for a in tp if sum(y_label == a) < sum(y_label != a)][0]
data_less = x_data.iloc[y_label == tp_less, :]
data_more = x_data.iloc[y_label != tp_less, :]
tp.remove(tp_less)
return data_less, data_more, tp_less, list(tp)[0]
def get_SMOTE_sample(self, x_data, y_label):
"""
獲取需要抽樣的正樣本
"""
sample = []
data_less, data_more, tp_less, tp_more = self.div_data(x_data, y_label)
n_integ = self.N_need // 100
data_add = copy.deepcopy(data_less)
if n_integ == 0 :
print('WARNING: PLEASE RE-ENTER N_need')
else:
for i in range(n_integ-1):
data_out = data_less.append(data_add)
data_out.reset_index(inplace = True, drop = True)
return data_out, tp_less
def over_sample(self, x_data, y_label):
"""
SMOTE算法簡單實現
"""
sample, tp_less = self.get_SMOTE_sample(x_data, y_label)
knn = NearestNeighbors(n_neighbors = self.K_neighbors ,n_jobs = -1).fit(sample)
n_atters = x_data.shape[1]
label_out = copy.deepcopy(y_label)
new = pd.DataFrame(columns = x_data.columns)
for i in range(len(sample)): # 1. 選擇一個正樣本
# 2.選擇少數類中最近的K個樣本
k_sample_index = knn.kneighbors(np.array(sample.iloc[i, :]).reshape(1, -1),
n_neighbors = self.K_neighbors + 1,
return_distance = False)
# 計算插值樣本
# 3.隨機選取K中的一個樣本
np.random.seed(self.random_state)
choice_all = k_sample_index.flatten()
choosed = np.random.choice(choice_all[choice_all != 0])
# 4. 在正樣本和隨機樣本之間選出一個點
diff = sample.iloc[choosed,] - sample.iloc[i,]
gap = np.random.rand(1, n_atters)
new.loc[i] = [x for x in sample.iloc[i,] + gap.flatten() * diff]
label_out = np.r_[label_out, tp_less]
new_sample = pd.concat([x_data, new])
new_sample.reset_index(inplace = True, drop = True)
return new_sample, label_out
if __name__ == '__main__':
iris = load_iris()
irisdf = pd.DataFrame(data = iris.data, columns = iris.feature_names)
y_label = iris.target
# 生成不平二分類數據
iris_1 = irisdf.iloc[y_label == 1,]
iris_2 = irisdf.iloc[y_label == 2,]
iris_2imb = pd.concat([iris_1, iris_2.iloc[:10, :]])
label_2imb =np.r_[y_label[y_label == 1], y_label[y_label == 2][:10]]
iris_2imb.reset_index(inplace = True, drop = True)
smt = TWO_SMOTE()
x_new, y_new = smt.over_sample(iris_2imb, label_2imb)
以上就是SMOTE的簡單實現,尚未有考慮到僅有 0 1變量,後期會更新