面对imbalance data的时候

面对imbalance data的时候

解决问题的思路

　　　１：增加数据

　　　２：算法

　　　３：阈值

１　增加数据：增加数据的方法主要是smote ,borderline smote......这是这篇文章具体关注的

smote的算法是这样的，

先聚类，找到k近邻，具体地说，就是比如现在有两个类，其中一个类是女生，有10张图片；另一类是男生，有１００张图片，这样的话，当进行分类的时候，可能很难把女生分出来，那么需要对女生的图片进行增加

smote的算法的方式是先聚类，找到女生为x,再找他身边的近邻x1,

然后生成图片：xnew =x+(0～1)*(x-x1)

 

borderline smote

而这个思路的一个弊端是如果找到的x（女生）是一个假小子，因为如果是一个长头发女生，本来就可以分清，多增加一些，应该还是能分清，但是对于不太能分清的假小子，如果多增加这些数据，那么会更好的辨别，

这个想法首先要注意：增加负样本数据一定会增加正确率，因为相当于起到了weight的作用，在这个角度讨论的话，那么增加长头发女生还是短头发女生其实无所谓，但是如果说对于分类更有利，那么增加短头发更有利，因为他告诉了分类器，不能靠头发长短来辨别男女，等于让机器学了一个新的知识点。

 

所以，按照这个来说，增加图片要增加borderline example的数量

具体的borderline-smote算法是这样的：

1（还是据需按照上面的例子）先正确理解我们的目的，就是生成女生里面假小子（也就是边缘）的图片，

２　首先把女生图片所有的m个近邻算出来，

３　把男生所有的m'个近邻算出来

４　遍历所有的m和m'，如果m=m'，意味着这两个应该是一类，才能m=m',否则一方应该大于一方的，这个不纳入考虑