机器学习-样本不均衡问题处理

在机器学习中，我们获取的数据往往存在一个问题，就是样本不均匀。比如你有一个样本集合，正例有9900个，负例100个，训练的结果往往是很差的，因为这个模型总趋近于是正例的。

就算全是正那么，也有99%的准确率，看起来挺不错的，但是我们要预测的负样本很可能一个都预测不出来。

这种情况，在机器学习中有三个处理办法，过采样、欠采样、再平衡（再缩放）

 

过采样：增加一些数据数据，使得正反例数量一致，比如这里，我们增加负例9800个，若单纯复制这100个负例，则很可能会导致多重共线性问题，所以实际的处理方法一般根据原始数据进行一些处理。

比如常用的SMOTE算法，通过差值的方法增加样本数量。

 

欠采样：减少一些样本使得正反例数量一致，比如这里减少9800个正例，但这样一来就损失了很多数据资源，实际常用的做法是将多的样本分成很多份，用N个训练器来训练，最后去平均。

比如这里，我们可以将正例分成99份100个的集合，99份分别和100个负例组合成训练集来进行训练。当然如果正负例的数量差距太大的话可能会有很多个训练器了。

 

再平衡：一般的分类算法训练出来是一个0-1的值，一般大于等于0.5的就是正，小于0.5的为负例。再平衡的思想就是根据正负样本数量的比例对训练结果判定的调整。

通用的算法是：>=正例数量/总数量，则为正；<正例数量/总数量为负

在这里我们的判定改为9900/(9900+100)=0.99

所以预测结果当大于等于0.99时候我们判定为是正例。