处理样本不均衡数据

处理样本不均衡数据一般可以有以下方法：

1、人为将样本变为均衡数据。

上采样：重复采样样本量少的部分，以数据量多的一方的样本数量为标准，把样本数量较少的类的样本数量生成和样本数量多的一方相同。

下采样：减少采样样本量多的部分，以数据量少的一方的样本数量为标准。

 

2、调节模型参数（class_weigh，sample_weight，这些参数不是对样本进行上采样下采样等处理，而是在损失函数上对不同的样本加上权重）

（A）逻辑回归中的参数class_weigh；

在逻辑回归中，参数class_weight默认None，此模式表示假设数据集中的所有标签是均衡的，即自动认为标签的比例是1：1。所以当样本不均衡的时候，我们可以使用形如{标签的值1：权重1，标签的值2：权重2}的字典来输入真实的样本标签比例（例如{“违约”：10，“未违约”：1}），来提高违约样本在损失函数中的权重。

或者使用”balanced“模式，sklearn内部原理：直接使用n_samples/(n_classes * np.bincount(y))，即样本总数/(类别数量*y0出现频率)作为权重，可以比较好地修正我们的样本不均衡情况。

 

（B）在SVM中使用SVC类的参数class_weigh和接口fit中可以设定的sample_weight：

SVC类的参数class_weigh：

对于class_weight，输入形如{"标签的值1"：权重1，"标签的值2"：权重2}的字典，则不同类别的C将会自动被设为不同的值：

sklearn内部原理：标签的值为1的C：权重1 * C，标签的值为2的C：权重2*C 

或者，可以使用“balanced”模式，sklearn内部原理：这个模式使用y的值自动调整与输入数据中的类频率成反比的权重为 n_samples/(n_classes * np.bincount(y)

fit接口参数sample_weight：

参数形式：数组，结构为 (n_samples, )，则模型参数C则变为，每个样本的权重 * C值，这样迫使分类器强调权重更大的样本。通常，较大的权重加在少数类的样本上，以迫使模型向着少数类的方向建模