推进政府网站建设百度广告搜索引擎
文章目录
- 一、什么是下采样方法？
- 二、通过下采样方法实现银行贷款分类问题
- 三、下采样的优缺点
一、什么是下采样方法？
机器学习中的下采样（Undersampling）方法是一种处理不平衡数据集的有效手段，特别是在数据集中某些类别的样本数量明显多于其他类别时。下采样的主要目的是通过减少多数类样本的数量来平衡数据分布，从而提高模型的泛化能力和准确性。
二、通过下采样方法实现银行贷款分类问题
- 具体步骤：
- 1、读取并查看数据
- 2、数据标准化
- 3、下采样解决样本不均衡问题
- 4、划分数据集
- 5、训练模型并建立最优模型
- 6、传入测试数据集进行测试
- 1、读取并查看数据
-
这里有一份含有**28万+**数据的csv文件
-
通过pandas方法读取此文件
# 通过pandas方法读取creditcard.csv文件，并用data变量接收 data = pd.read_csv("creditcard.csv") data.head() # 查看data的前几行，默认是5行 -
如下图所示：
-
这个数据的最后一列“Class”标签用来标注是否正常，0表示正常，1表示异常
-
我们可以通过画出条形图来观察两类标签的样本个数
import matplotlib.pyplot as plt """绘制条形图，查看正负样本个数""" labels_count = pd.value_counts(data['Class']) plt.title("正负例样本数") plt.xlabel("类别") plt.ylabel("帧数") labels_count.plot(kind='bar') plt.show() -
结果如下：
-
可以看出0和1标签的样本数据个数相差的非常多，0标签有28万+，而1标签只有几百多，这便是不平衡数据集
-
- 2、数据标准化
- 我们数据的倒数第二（Amount）列可以看出，这一列的特征数值，比其他列特征数值要大很多，如果不做调整就传入模型训练，将会占有很大的权重，导致最后的结果很大的程度上都只受这一个特征的影响
- 通过观察，可以发现，前面的特征数据都是在-1~1之间，所以我们可以用Z标准化的方法，改变其数值范围
from sklearn.preprocessing import StandardScaler """数据标准化：Z标准化""" scaler = StandardScaler() # a = data[['Amount']] # 返回dataframe数据，而不是series # 用StandardScaler中的fit_transform实现Z标准化 data['Amount'] = scaler.fit_transform(data[['Amount']]) - 结果如下：
- 3、下采样解决样本不均衡问题
-
通过随机抽取0特征标签中的数据与1特征标签数量相同，并将两个特征拼接为一个新的数据集
# 数据的第一列（Time）没有作用,删除 data = data.drop(['Time'], axis=1) # 删除无用列"""下采样解决样本不均衡问题""" positive_eg = data[data['Class'] == 0] # 获取所有标签(Class)为0的数据 negative_eg = data[data['Class'] == 1] # 获取所有标签(Class)为1的数据 np.random.seed(seed=3) # 随机种子，保证每次执行这个代码，随机抽选的结果都是一样 # positive_eg = positive_eg.sample(len(negative_eg)) # sample 表示随机从参数里面选择数据，并和1标签的数据数量相同 # 拼接数据 data_c = pd.concat([positive_eg, negative_eg]) # 把两个pandas数据组合为一个 -
可以再次通过绘制条形图观察数据
labels_count = pd.value_counts(data_c['Class']) plt.title("正负例样本数") plt.xlabel("类别") plt.ylabel("帧数") labels_count.plot(kind='bar') plt.show() -
结果如下：
-
- 4、划分数据集
- 这里我们划分两类数据集，一类是经过下采样处理后，形成的小部分数据集，另一类是划分原始数据集
- 划分下采样后的数据集用于模型训练，划分原数据集最后传入模型预测出结果，观察模型的性能是否有所提高
from sklearn.model_selection import train_test_split # 对下采样数据划分 x_s = data_c.drop('Class', axis=1) # 去除标签列作为训练数据 y_s = data_c.Class # 得到标签列 # 划分出30%的测试集，并抛出随机种子，为了后面每次的运行，随机划分的都是相同的数据 x_s_train, x_s_test, y_s_train, y_s_test = train_test_split(x_s, y_s, test_size=0.3, random_state=0)# 对原数据划分 x = data.drop('Class', axis=1) y = data.Class x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=0)
- 5、训练模型并建立最优模型
-
交叉验证选择较优惩罚因子
-
建立最优模型
# 交叉验证选择较优惩罚因子 scores = [] c_param_range = [0.01, 0.1, 1, 10, 100] # 参数 for i in c_param_range: # 第1次循环的时候C=0.01,5个逻辑回归模型lr = LogisticRegression(C=i, penalty='l2', solver='lbfgs', max_iter=1000)score = cross_val_score(lr, x_s_train, y_s_train, cv=8, scoring='recall') # 交叉验证score_mean = sum(score) / len(score) # 交叉验证后的值 召回率scores.append(score_mean) # 存放所有的交叉验证召回率print(score_mean) # 将不同的C参数分别传入模型， 分别看看哪个模型效果更好best_c = c_param_range[np.argmax(scores)] # 找到scores中最大的值对应的C参数 print("........最优惩罚因子为：{}........".format(best_c))"""建立最优模型""" lr = LogisticRegression(C=best_c, penalty='l2', max_iter=1000) lr.fit(x_s_train, y_s_train) -
运行结果为：
-
- 6、传入测试数据集进行测试
-
predict 方法接受一个数组（或类似数组的结构，如列表的列表、Pandas DataFrame等），其中包含了要预测的目标变量的新数据点。然后，它使用训练好的模型对这些数据点进行预测，并返回一个包含预测结果的数组。
-
metrics.classification_report 是 scikit-learn（一个流行的 Python 机器学习库）中的一个函数，用于展示主要分类指标的文本报告。这个函数特别适用于评估分类模型的性能，尤其是在处理多类分类问题时。它提供了每个类别的精确度（precision）、召回率（recall）、F1 分数（F1-score）和支持度（support，即每个类别的真实样本数量）的详细报告。
from sklearn import metrics# 传入下采样后的测试数据 test_s_predicted = lr.predict(x_s_test) print(metrics.classification_report(y_s_test, test_s_predicted))# 传入原数据的测试数据 test_predicted = lr.predict(x_test) print(metrics.classification_report(y_test, test_predicted)) -
结果如下：
-
下面是未使用下采样方法，使用原数据进行模型训练后的结果
-
对比两次不同数据训练出的结果可以看出，通过下采样的方法处理数据后可以大大提高模型的性能
-
三、下采样的优缺点
- 优点：
- 提升分类器准确率：通过减少多数类样本的数量，使得数据集中不同类别的样本数量更加均衡，从而有助于提升分类器对少数类样本的识别能力，进而提升整体分类准确率。
- 降低训练时间：由于数据集的大小减少，模型的训练时间也会相应缩短。
- 降低过拟合风险：减少多数类样本的数量可以降低模型对多数类样本的过度拟合，提高模型的泛化能力。
- 缺点：
- 降低数据集代表性：随机欠采样可能会剔除一些重要的多数类样本，导致数据集的代表性降低。这可能会影响模型的性能，特别是当被剔除的样本包含对分类任务至关重要的信息时。
- 信息损失：由于剔除了部分多数类样本，数据集中的信息量也会相应减少。这可能会导致模型在训练过程中无法充分学习到多数类的特征分布，从而影响模型的性能。