【IT168 技术】数据分布不平衡是机器学习工作流中的一个重要问题。所谓不平衡的数据集，意思就是两个类中一个类的实例比另一个要高，换句话说，在一个分类数据集之中，所有类的观察值的数量是不一样的。这个问题不仅存在于二进制类数据中，也存在于多类数据中。

　　本文中将列出一些重要的技术，帮助您处理不平衡的数据。

　　1、过采样(Oversampling)

　　此技术用于修改不相等的数据类以创建平衡的数据集。当数据量不足时，过采样法通过增大稀有样本的大小来达到平衡。

　　过采样的一种主要技术是SMOTE(合成少数过采样技术，Synthetic Minority Over-sampling TEchnique)。在这种技术中，少数类是通过生成合成算例而不是通过替换来进行过采样的，而且对于每一个少数类的观察值，它都计算出k最近邻(k-NN)。但这种方法仅限于假设任意两个正实例之间的局部空间属于少数类、训练数据不是线性可分的情况下，这种假设可能并不总是正确的。根据所需的过采样量，随机选择k-NN的邻域。

　　优势

　　·无信息损失

　　·减少过度采样引起的过拟合。

　　深入研究SMOTE技术，请点击这里。

　　2、欠采样(Undersampling)

　　与过采样不同，这种技术通过减少类的数量来处理一个不平衡的数据集。分类问题有多种方法，如聚类中心和Tomek links。聚类中心方法用K-means算法的聚类中心代替样本的聚类;Tomek link方法去除类之间不需要的重叠，直到所有最小距离的最近邻都属于同一个类。

　　优势

　　·可以通过减少训练数据集的数量来改进运行时。

　　·有助于解决记忆问题

　　有关欠采样的更多信息，请单击此处。

　　3、成本敏感学习技术(Cost-Sensitive Learning)

　　成本敏感学习(CSL)通过最小化总成本来将误分类成本加入考虑因素中，这种技术的目标主要是追求将实例分类为一组已知类时的高精度，它在机器学习算法中发挥着重要的作用，包括现实数据挖掘类应用。

　　该方法将FP(False Positive)、FN (False Negative)、TP (True Positive)、TN (True Negative)的成本表示为成本矩阵，如下图所示，其中C(i,j)表示对实例进行分类的误分类成本，“i”为预测类，“j”为实际类。这是一个二元分类的成本矩阵的例子。

　　优势

　　·该方法避免了参数的预先选择和决策超平面的自动调整。

　　深入了解CSL技术，请单击这里。

　　4、集成学习技术(Ensemble Learning)

　　这个基于集成的方法是处理不平衡数据集的另一种技术，集成技术是将多个分类器的结果或性能结合起来，以提高单个分类器的性能。该方法通过装配不同的分类器来修改单个分类器的归纳能力。它主要结合了多个基础学习器的输出。集成学习有多种方法，如Bagging、Boosting等。

　　Bagging(Bootstrap Aggregating)，试图在较小的数据集上实现相似的学习器，然后取所有预测的平均值。Boosting (Adaboost)是一种迭代技术，它根据最后的分类调整观察值的权重。该方法减少了偏置误差，建立了较强的预测模型。

　　优势

　　·这是一个更稳定的模型

　　·预测结果更好

　　了解有关此技术的更多信息，请单击此处。

　　5、组合类方法(Combined Class Methods)

　　该方法将各种方法组合在一起，能够更好地处理不平衡数据。例如，SMOTE可以与其他方法进行组合，如MSMOTE (Modified SMOTE)、SMOTEENN (SMOTE with edit Nearest neighbor)、SMOTE- tl、SMOTE- el等，来消除不平衡数据集中的噪声。MSMOTE是SMOTE的改进版本，它将少数类的样本分为三类，如安全样本、潜伏噪声样本和边界样本。

　　优势

　　·不丢失有用信息

　　·很好的归纳

　　原文作者：AMBIKA CHOUDHURY 来源：Analytics India Magazine