如何在 CV-ing 数据集时实现基于比率的 SMOTE 过采样

Question

我正在处理二进制分类问题中非常不平衡的数据集 (~5%)。我正在使用 SMOTE 和一个随机森林分类器来让我的过采样发生在 GridSearch CV 循环中（如建议的here）。你可以在下面看到我的实现：

from imblearn.over_sampling import SMOTE
from sklearn.ensemble import RandomForestClassifier
from imblearn.pipeline import Pipeline
from sklearn.model_selection import RandomizedSearchCV, StratifiedKFold

sm = SMOTE()
rf = RandomForestClassifier()

pipeline = Pipeline([('sm', sm), ('rf', rf)])

kf = StratifiedKFold(n_splits = 5)

params = {'rf__max_depth' : list(range(2,5)),
    'rf__max_features' : ['auto','sqrt'],
    'rf__bootstrap' : [True, False]
}

grid = RandomizedSearchCV(pipeline, param_distributions = params, scoring = 'f1', cv = kf)

grid.fit(X, y)

但是，this paper（参见第 7 页的表 4）建议测试不同的重采样率，以确定哪一个具有更好的性能。现在，我的 sm = SMOTE() 正在生成一个 50-50% 的数据集，但我想遍历一个潜在比率列表（例如 5-95、10-90、等等。）。但是，SMOTE 中的 ratio 参数不接受所需的百分比，而是带有样本数量的特定整数，由于我的 kfold CV （每个折叠可能具有稍微不同的样本大小）。如何实现？

Answer 1

虽然文档中没有提到，但我认为您可以将float 指定为ratio。但你应该知道它已被弃用，并将在未来的版本中删除（因为我认为这仅适用于二进制情况，而不适用于多类）。

params = {'sm__ratio' : [0.05, 0.10, 0.15],
          'rf__max_depth' : list(range(2,5)),
          'rf__max_features' : ['auto','sqrt'],
          'rf__bootstrap' : [True, False]
         }

grid = RandomizedSearchCV(pipeline, param_distributions = params, scoring = 'f1', cv = kf)

另外请注意，您在这里提到的比率将是对少数类进行上采样后的类的比率。

假设你有如下原始类：

  1:  75
  0:  25  

并且您将比率指定为 0.5。这里不会触及多数类，但会生成更多 12 个 0 类的合成样本，因此最终数字为：

  1:  75
  0:  37  (25 + 12) 

最后的比率是 37 / 75 = 0.5（如你所说）。