**文章來自：微信公眾號【機器學習煉丹術】** [TOC] ## 1 什麼是非均衡 分類(classification)問題是資料探勘領域中非常重要的一類問題，目前有琳琅滿目的方法來完成分類。然而在真實的應用環境中，**分類器(classifier)扮演的角色通常是識別資料中的“少數派”**，比如： * 銀行識別信用卡異常交易記錄 * 垃圾郵件識別 * 檢測流水線識別殘次品 * 病情監測與識別等等 在這樣的應用環境下，作為少數派的群組在資料總體中往往佔了極少的比例：絕大多數的信用卡交易都是正常交易，八成以上的郵件都是正常郵件，大多數的流水線產品是合格產品，在進行檢查的人群中特定疾病的發病率通常非常低。 如果這樣的話，假設99%的正樣本+1%的負樣本構成了資料集，那麼假設模型的預測結果全是正，這樣的完全沒有分辨能力的模型也可以得到99%的準確率。這個按照樣本個數計算準確率的評價指標叫做——**Accuracy.** 因此我們為了避免這種情況，最常用的評價指標就是F-score,Precision&Recal，Kappa係數。 **【F-Score和Kappa係數已經在歷史文章中講解過啦】** ## 2 8種解決辦法 解決辦法主要有下面10種不同的方法。 - 重取樣resampling - 上取樣：簡單上取樣，SMOT，ADASYN - 下采樣：簡單下采樣，聚類Cluter，Tomek links - 調整損失函式 - 異常值檢測框架 - 二分類變成多分類 - EasyEnsemble ### 2.1 重取樣（四種方法） 重取樣的目的就是讓少的樣本變多，或者是讓多的樣本變少。下圖很形象的展示出這個過程：  **** **【簡單上取樣】** 就是**有放回的隨機抽取少數量的樣本**，飯後不斷複製抽取的隨機樣本，直到少數量的樣本與多數量的樣本處於同一數量級。但是這樣容易造成過擬合問題。 **為什麼會造成過擬合呢？** 最極端的例子就是把一個樣本複製100次，這樣就有了一個100樣本的資料庫。模型訓練出來很可能得到100%的正確率，但是這模型真的學到東西了嗎？ **** **【SMOTE】** - SMOT:Synthetic Minority Over-sampling Technique.(翻譯成中文，合成最少個體上取樣技術？) 核心思想是**依據現有的少數類樣本人為製造一些新的少數類樣本** SMOTE在先用K近鄰演算法找到K個近鄰，利用這個K個近鄰的各項指標，乘上一個0~1之間的隨機數就可以組成一個新的少數類樣本。容易發現的是，就是**SMOTE永遠不會生成離群樣本** **** **【ADASYN】** - ADASYN：Adaptive Synthetic Sampling Approach（自適應合成樣本方法） ADASYN其實是SMOTE的一種衍生技術，相比SMOT在每一個少數類樣本的周圍**隨機**的建立樣本，ADASYN給每一個少數類的樣本分配了權重，在**學習難度較高的少數類樣本週圍建立更多的樣本**。在**K近鄰分類器分類錯誤的那些樣本**周圍生成更多的樣本，也就是給他們更大的權重，而並不是隨機0~1的權重。 這樣的話，就好像，一個負樣本週圍有正樣本，經過這樣的處理後，這個負樣本週圍會產生一些相近的負樣本。**這樣的弊端也是顯而易見的，就是對離群點異常敏感。** **** **【簡單下采樣】** 這個很簡單，就是隨機刪除一些多數的樣本。弊端自然是，**樣本數量的減少，刪除了資料的資訊** **** **【聚類】** 這個是一個非常有意思的方法。我們先選取樣本之間**相似度的評估函式**，比方說就用歐氏距離（可能需要對樣本的資料做歸一化來保證不同特徵的同一量綱）。 方法1：假設有10個負樣本和100個正樣本，對100個正樣本做kmeans聚類，總共聚10個類出來，然後每一個類中心作為一個正樣本。 方法2：使用K近鄰，然後用K個樣本的中心來代替原來K個樣本。一直這樣做，直到正樣本的數量等於負樣本的數量。 **** **【Tomek links】** - 這個不知道咋翻譯 Tomek links是指相反類樣本的配對，這樣的配對距離非常近，也就是說這樣的配對中兩個樣本的各項指標都非常接近，但是屬於不同的類。如圖所示，這一方法能夠找到這樣的配對，並刪除配對中的多數類樣本。經過這樣的處理，兩類樣本之間的分界線變得更加清晰，使少數類的存在更加明顯。 下圖是操作的過程。  ### 2.2 調整損失函式 調整損失函式的目的本身是為了使模型對少數量樣本更加敏感。訓練任何一個機器學習模型的最終目標是損失函式(loss function)的最小化，如果能夠在損失函式中加大錯判少數類樣本的損失，那麼模型自然而然能夠更好地識別出少數類樣本。 比較著名的損失函式就是目標檢測任務中的focal loss。不過在處理其他任務的時候，也可以人為的增加少數樣本錯判的損失。 ### 2.3 異常值檢測框架 * 將分類問題轉換成為一個異常值監測框架 這個異常值檢測框架又是一個非常大的體系，有很多不同的模型，比方說：異常森立等。之後會專門講講這個體系的模型的。 **（小夥伴關注下公眾號唄，不迷路呀）** ### 2.4 二分類變成多分類 對於不均衡程度較低的資料，可以將多數量樣本進一步分為多個組，雖然二分類問題被轉化成了一個多分類問題，但是資料的不平衡問題被解決，接下來就可以使用多分類中的一對多(OVA)或一對一(OVO)的分類方式進行分類。 就是把多數類的樣本通過聚類等方法，劃分成不同的類別。這樣2分類任務就變成了多分類任務。 ### 2.5 EasyEnsemble 另外一種欠取樣的改進方法是 EasyEnsemble ，它將多數樣本劃分成若 N個集合，然後將劃分過後的集合與少數樣本組合，這樣就形成了N個訓練集合，而且每個訓練都正負樣本均衡，並且從全域性來看卻沒有資訊