Weka Resample 以平衡二进制数据集中的实例

Question

我只用了几个星期的 Weka，但我被它的伟大所震撼！

但我有一个问题，我有一个数据集，其目标列是真或假。

我的数据集中有 6709 个实例为真

25318 个实例为 False。

我想随机添加我的 True 实例的副本以生成具有 25318 True 和 25318 False 的新数据集。

我能找到的唯一过滤器是有监督的重采样过滤器，但是我无法理解我应该使用哪些参数。

（可能有更好的过滤器来做我想做的事）

我在这些参数上取得了一些成功

biasToUniformClass = 1.0
invertSelection = False
noReplacement = False
randomSeed = 1
sampleSizePercent = 157.5 (a magic number I've arrived at by trial and error)

这会产生 25277 True 和 25165 False。不完全是我想要的，但非常接近。

问题是我不知道如何得出这个幻数。我也没有得到我真正想要的实例数量。

是否有更好的过滤器用于此目的？ 如果没有，有没有办法计算 sampleSizePercent 幻数？

非常感谢任何帮助:)

补充问题，我最好在我的布尔列上运行 NominalToBinary 以确保它们是二进制的？我正在使用 NaiveBayes 分类器（目前），我没有任何缺失的实例。

杰森

Answer 1

我认为这个问题的棘手部分是使用重采样过滤器获得完美的平衡。这是因为，正如描述中所述，它“使用有放回抽样或无放回抽样产生数据集的随机子样本”。如果这些案例是随机抽取的，则无法保证您将在两个类别之间获得相同的度量。

至于幻数，这将与应用过滤器时您希望拥有的案例总数相关联。在您的情况下，它将是 50636 而不是 32027。在这种情况下，您的幻数将是 50636 / 32027 = 1.581。但是，如上所述，您可能无法准确匹配真假案例。

如果您真的需要一个精确的数字，您可以使用您最喜欢的电子表格并对数据进行预处理。一种可能的方法是将真实案例随机化（在单独的列中），对所有案例进行排序和复制，直到数字与虚假案例匹配。这不是一个自动化的解决方案，而且该解决方案在 Weka 之外，但我以前使用过这种方法并且可以相当快地完成这项工作。

希望对您有所帮助！