數(shù)據(jù)清洗過程：
PS：工作中可能遇到的最大的問題是數(shù)據(jù)不均衡。
怎么去解決的？ 上采樣、下采樣、SMOTE算法。
解決的效果如何？ 有一點(diǎn)點(diǎn)改進(jìn)，但不是很大。
事實(shí)上確實(shí)如此，很多時候即使用了上述算法對采樣的數(shù)據(jù)進(jìn)行改進(jìn)，但是結(jié)果反而可能更差。在業(yè)界中，對數(shù)據(jù)不均衡問題的處理確實(shí)是一件比較頭疼的問題。最好的處理方法還是：盡可能去獲得更多的那些類別比較少的數(shù)據(jù)。
數(shù)據(jù)不平衡概念
在實(shí)際應(yīng)用中，數(shù)據(jù)往往分布得非常不均勻，也就是會出現(xiàn)“長尾現(xiàn)象”，即：絕大多數(shù)的數(shù)據(jù)在一個范圍/屬于一個類別，而在另外一個范圍或者另外一個類別中，只有很少的一部分?jǐn)?shù)據(jù)。那么這個時候直接使用機(jī)器學(xué)習(xí)可能效果會不太少，所以這個時候需要我們進(jìn)行一系列的轉(zhuǎn)換操作。
而在采樣過程中修改樣本的權(quán)重，一般做的比較少。
數(shù)據(jù)不平衡解決方案一
設(shè)置損失函數(shù)的權(quán)重，使得少數(shù)類別數(shù)據(jù)判斷錯誤的損失大于多數(shù)類別數(shù)據(jù)判斷錯誤的損失，即當(dāng)我們的少數(shù)類別數(shù)據(jù)預(yù)測錯誤的時候，會產(chǎn)生一個比較大的損失值，從而導(dǎo)致模型參數(shù)往讓少數(shù)類別數(shù)據(jù)預(yù)測準(zhǔn)確的方向偏。可以通過scikit-learn中的class_weight參數(shù)來設(shè)置權(quán)重。
數(shù)據(jù)不平衡解決方案二
下采樣/欠采樣(under sampling)：從多數(shù)類中隨機(jī)抽取樣本從而減少多數(shù)類別樣本數(shù)據(jù)，使數(shù)據(jù)達(dá)到平衡的方式。
PS：比如本來樣本正負(fù)例的比例是100:1，一般使用下采樣將數(shù)據(jù)比例控制到4:1就是極限了。如果強(qiáng)行將正負(fù)例的比例控制到1:1，會損失很多樣本的特性，使得模型效果還不如100:1的訓(xùn)練結(jié)果。
集成下采樣/欠采樣：采用普通的下采樣方式會導(dǎo)致信息丟失，所以一般采用集成學(xué)習(xí)和下采樣結(jié)合的方式來解決這個問題；主要有兩種方式：
1、EasyEnsemble
采用不放回的數(shù)據(jù)抽取方式抽取多數(shù)類別樣本數(shù)據(jù)，然后將抽取出來的數(shù)據(jù)和少數(shù)類別數(shù)據(jù)組合訓(xùn)練一個模型；多次進(jìn)行這樣的操作，從而構(gòu)建多個模型，然后使用多個模型共同決策/預(yù)測。
2、BalanceCascade
利用Boosting這種增量思想來訓(xùn)練模型；先通過下采樣產(chǎn)生訓(xùn)練集，然后使用Adaboost算法訓(xùn)練一個分類器；然后使用該分類器多對所有的大眾樣本數(shù)據(jù)進(jìn)行預(yù)測，并將預(yù)測正確的樣本從大眾樣本數(shù)據(jù)中刪除；重復(fù)迭代上述兩個操作，直到大眾樣本數(shù)據(jù)量等于小眾樣本數(shù)據(jù)量。
擴(kuò)展一個技巧：
如果參加一個比賽，我們會在模型訓(xùn)練的時候?qū)?shù)據(jù)分成訓(xùn)練集和開發(fā)集。模型提交后，比賽方會提供測試集對結(jié)果進(jìn)行預(yù)測。
一般來說我們訓(xùn)練集上的模型評分會在86 ~ 88%左右，開發(fā)集上的評分為82 ~ 84%，但是到了實(shí)際的測試集上，模型評分可能只有72%左右。
技巧來了：
1、一般來說測試集的數(shù)據(jù)是不帶標(biāo)簽的，但是測試集依然有特征X。
2、我們都不考慮訓(xùn)練集和測試集的目標(biāo)Y，人為創(chuàng)建一列目標(biāo)值Z，將訓(xùn)練集中的Z都設(shè)為0，將測試集的目標(biāo)Z都設(shè)為1。
3、尋找測試集的X和Z之間的映射。
4、根據(jù)這個X和Z之間的映射，使用訓(xùn)練集中的X預(yù)測Z，結(jié)果肯定是組0,1向量。
5、將預(yù)測值為1的數(shù)據(jù)提出來，作為我的開發(fā)集（用來驗(yàn)證我們模型的數(shù)據(jù)集合），剩下預(yù)測為0的數(shù)據(jù)作為訓(xùn)練集。在這個基礎(chǔ)上對我的訓(xùn)練數(shù)據(jù)進(jìn)行調(diào)優(yōu)。
這是一個在不做任何特征的情況下對模型調(diào)優(yōu)的一個技巧，一般可以將模型在真實(shí)環(huán)境中的評分提高一點(diǎn)點(diǎn)。大概72%提高到74%左右。
為什么？實(shí)際上我們做訓(xùn)練的目的是為了找一找比賽中人家提供給我們的訓(xùn)練數(shù)據(jù)和真實(shí)數(shù)據(jù)，哪些長得比較像。將更像真實(shí)測試數(shù)據(jù)的樣本放到開發(fā)集中作為調(diào)參的標(biāo)準(zhǔn)，從而能夠提高最終的評分。雖然沒有什么科學(xué)依據(jù)，但是確實(shí)比較有效，不登大雅之堂。
數(shù)據(jù)不平衡解決方案三
Edited Nearest Neighbor(ENN)： 對于多數(shù)類別樣本數(shù)據(jù)而言，如果這個樣本的大部分k近鄰樣本都和自身類別不一樣，那我們就將其刪除，然后使用刪除后的數(shù)據(jù)訓(xùn)練模型。
數(shù)據(jù)不平衡解決方案四
Repeated Edited Nearest Neighbor(RENN)： 對于多數(shù)類別樣本數(shù)據(jù)而言，如果這個樣本的大部分k近鄰樣本都和自身類別不一樣，那我們就將其刪除；重復(fù)性的進(jìn)行上述的刪除操作，直到數(shù)據(jù)集無法再被刪除后，使用此時的數(shù)據(jù)集據(jù)訓(xùn)練模型。
數(shù)據(jù)不平衡解決方案五
Tomek Link Removal： 如果兩個不同類別的樣本，它們的最近鄰都是對方，也就是A的最近鄰是B，B的最近鄰也是A，那么A、B就是Tomek Link。將所有Tomek Link中多數(shù)類別的樣本刪除。然后使用刪除后的樣本來訓(xùn)練模型。
數(shù)據(jù)不平衡解決方案六
過采樣/上采樣(Over Sampling)：和欠采樣采用同樣的原理，通過抽樣來增加少數(shù)樣本的數(shù)目，從而達(dá)到數(shù)據(jù)平衡的目的。一種簡單的方式就是通過有放回抽樣，不斷的從少數(shù)類別樣本數(shù)據(jù)中抽取樣本，然后使用抽取樣本+原始數(shù)據(jù)組成訓(xùn)練數(shù)據(jù)集來訓(xùn)練模型；不過該方式比較容易導(dǎo)致過擬合一般抽樣樣本不要超過50%。
過采樣/上采樣(Over Sampling)：因?yàn)樵谏喜蓸舆^程中，是進(jìn)行是隨機(jī)有放回的抽樣，所以最終模型中，數(shù)據(jù)其實(shí)是相當(dāng)于存在一定的重復(fù)數(shù)據(jù)，為了防止這個重復(fù)數(shù)據(jù)導(dǎo)致的問題，我們可以加入一定的隨機(jī)性，也就是說：在抽取數(shù)據(jù)后，對數(shù)據(jù)的各個維度可以進(jìn)行隨機(jī)的小范圍變動，eg: (1,2,3) --> (1.01, 1.99, 3)；通過該方式可以相對比較容易的降低上采樣導(dǎo)致的過擬合問題。
數(shù)據(jù)不平衡解決方案七
采用數(shù)據(jù)合成的方式生成更多的樣本，該方式在小數(shù)據(jù)集場景下具有比較成功的案例。常見算法是SMOTE算法，該算法利用小眾樣本在特征空間的相似性來生成新樣本。
比如：給少數(shù)樣本編號，1~100；將1、2樣本連起來，取他們的中點(diǎn)(期望)，作為一個新的樣本。以此類推，最后可以新生成50個樣本。用這種算法一次可以提高50%的樣本量。
數(shù)據(jù)不平衡解決方案八
對于正負(fù)樣本極不平衡的情況下，其實(shí)可以換一種思路/角度來看待這個問題：可以將其看成一分類(One Class Learning)或者異常檢測(Novelty Detection)問題，在這類算法應(yīng)用中主要就是對于其中一個類別進(jìn)行建模，然后對所有不屬于這個類別特征的數(shù)據(jù)就認(rèn)為是異常數(shù)據(jù)，經(jīng)典算法包括：One Class SVM、IsolationForest等。
