数据上采样（oversampling）和下采样（undersampling）是两种常用的处理不平衡数据集的方法。不平衡数据集是指在分类问题中，不同类别的样本数量差异很大。
数据上采样是指增加少数类别样本数量，使其与多数类别样本数量接近。常见的上采样方法有：
1. 复制样本（Duplicate）：直接复制少数类别的样本，增加其数量。这种方法简单直接，但容易导致过拟合。
2. SMOTE（Synthetic Minority Oversampling Technique）：根据少数类别样本之间的相似性，合成新的少数类别样本。通过随机选择一个少数类别样本A和它的相邻样本B，生成新样本C，使其特征向量介于A和B之间，从而扩展数据集。
3. ADASYN（Adaptive Synthetic Sampling）：类似于SMOTE，不过在生成新样本时考虑了少数类别样本的密度分布。生成的新样本更倾向于那些密度较低的区域，从而提升分类模型对少数类别的泛化能力。
数据下采样是指减少多数类别样本数量，使其与少数类别样本数量接近。常见的下采样方法有：
1. 随机删除（Random Undersampling）：在多数类别样本中随机选择一些样本进行删除，使其数量与少数类别样本接近。这种方法简单直接，但可能丢失一些有用信息。
2. Tomek links：对于多数类别样本中的每一个样本A，找到其对应的最接近的少数类别样本B，如果A和B之间没有其他类别的样本，那么称A和B之间存在一个Tomek link。删除Tomek link中的样本，从而接近数据的边界。
3. ClusterCentroids：使用聚类算法，将多数类别样本聚类成若干个簇，然后选取每个簇的中心作为新的多数类别样本。
4. NearMiss：基于样本之间的距离度量，选择距离多数类别样本最近的少数类别样本进行保留，或者从多数类别样本中删除一些离少数类别样本更远的样本。
上采样和下采样方法各有优劣，并且不同的问题可能适用不同的方法。此外，还可以结合两种方法，比如先进行上采样，然后再进行下采样，以达到更好的平衡效果。
财旺号所有作品（图文、网盘、音视频）收集于网络，均由用户自行上传分享，仅供网友学习交流，不声明或保证其内容的正确性，如发现本站有涉嫌抄袭侵权/违法违规的内容。请发送邮件至 1790309299@qq.com 举报，一经查实，本站将立刻删除。
微信扫一扫 