1欠采用和过采样对模型带来什么影响？（包括对数据不平衡问题的解决方案以及采样方法的分析）
Posted rushup0930
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了1欠采用和过采样对模型带来什么影响？（包括对数据不平衡问题的解决方案以及采样方法的分析）相关的知识，希望对你有一定的参考价值。
转自：https://www.zhihu.com/question/269698662/answer/352279936 做了部分修改
1. 为什么类别不平衡会影响模型输出？
大部分模型的默认阈值为输出值的中位数。比如逻辑回归的输出范围为[0,1]，当某个样本的输出大于0.5就会被划分为正例，反之为反例。在数据的类别不平衡时，采用默认的分类阈值可能会导致输出全部为反例，产生虚假的高准确度，导致分类失败。因此很多答主提到了几点：1. 可以选择调整阈值，使得模型对于较少的类别更为敏感 2. 选择合适的评估标准，比如ROC或者F1，而不是准确度（accuracy）。(这里给出ROC/AUC以及和acc的区别举个简单的例子， 连接：)Sklearn的决策树有一个参数是class_weight，就是用来调整分类阈值的，文档中的公式：
# 权重与样本数中每个类别的数量为负相关，越少见的类别权重越大
n_samples / (n_classes * np.bincount(y))
所以遇到不平衡数据，用集成学习+阈值调整可以作为第一步尝试。
2. 采样法和类别不平衡有什么关系？
而通过采样（sampling）来调整数据的不平衡，是另一种解决途径，并且可以和阈值调整同时使用。但采样法不是单纯的从数据角度改变了模型阈值，还改变了模型优化收敛等一系列过程，在此不赘述。
而采样法最受人诟病的就是可能会改变原始数据的分布，从而带来偏差。这个说法是否正确呢？让我们带着疑问来分析一下不同的采样方法有什么区别，该怎么使用。
3. 如何直观理解采样法？
我们使用的第一个实验数据是Cardio（Cardiotocogrpahy dataset），原始数据大小为 ：也就是1831条数据，每条数据有21个特征。其中正例176个（9.6122%），反例1655个（90.3878%），属于典型的类别不平衡问题。
先来看一张可视化图，因为原始数据是21维不易展示，所以我们使用T-SNE把数据嵌入到2维空间。图中红色代表正例，蓝色代表反例（建议在电脑端阅读）。数据重叠会加深颜色，甚至造成颜色混合。左上、左下、右上和右下依次是：
- 原始数据（Original）：未经过任何采样处理（
）
- 欠采样（Undersampling）：从反例中随机选择176个数据，与正例合并（
）
- 过采样（Oversampling）：从正例中反复抽取并生成1655个数据（势必会重复），并与反例合并（
）
- SMOTE：也是一种过采样方法。SMOTE通过找到正例中数据的近邻，来合成新的1655-176=1479个“新正例”，并与原始数据合并（
所以可以很直观地从图中看出:
1. 过采样（右上）只是单纯的重复了正例，因此会过分强调已有的正例。如果其中部分点标记错误或者是噪音，那么错误也容易被成倍的放大。因此最大的风险就是对正例过拟合。
2. 欠采样（左下）抛弃了大部分反例数据，从而弱化了中间部分反例的影响，可能会造成偏差很大的模型。当然，如果数据不平衡但两个类别基数都很大，或许影响不大。同时，数据总是宝贵的，抛弃数据是很奢侈的，因此另一种常见的做法是反复做欠采样，生成 个新的子样本。其中每个样本的正例都使用这176个数据，而反例则从1655个数据中不重复采样。最终对这9个样本分别训练，并集成结果。这样数据达到了有效利用，但也存在风险：
- 训练多个模型造成了过大的开销，合并模型结果需要额外步骤，有可能造成其他错误
- 正例被反复使用，和过采样一样，很容易造成模型的过拟合
3. SMOTE（右下）可以看出和过采样（右上）有了明显的不同，因为不单纯是重复正例了，而是在局部区域通过K-近邻生成了新的正例。相较于简单的过采样， SMOTE：
- 降低了过拟合风险。K近邻在局部合成数据可以被理解为一种集成学习，降低了方差。但或许也错误的加强了局部的偶然性，从而增加了过拟合风险。但一般来看，优点大于风险
- 也可以理解为一种过采样的soft version，对于噪音的抵抗性更强
- 缺点也有，比如运算开销加大，同时可能会生成一些“可疑的点”，如下图所示
4. 采样法归纳总结
让我们把实验所中归纳出的经验性性质总结一下，实验细节和结果在文末：
- 采样方法一般比直接调整阈值的效果要好。
- 使用采样方法（过采样和欠采样）一般可以提升模型的泛化能力，但有一定的过拟合的风险，应搭配使用正则化模型
- 过采样的结果较为稳定，作为一种升级版的过采样，SMOTE也是不错的处理方式，大部分时候和过采样的效果相似
- 过采样大部分时候比欠采样的效果好，但很难一概而论哪种方法最好，还是需要根据数据的特性（如分布）具体讨论
- 实验结果在（L2正则的逻辑回归、随机森林、xgboost）一致，因此和采样法搭配使用的模型最好可以很好的处理过拟合
但是不是过采样就是万能药？未必。首先，它不可避免的带来更大的运算开销，其次当数据中噪音过大时，结果反而可能会更差因为噪音也被重复使用。当然，除此以外还有更严谨的统计学理论说明采样的力量，以及如何正确采样，此处按下不表。我的一个不成熟的经验是：使用过采样（或SMOTE）+强正则模型（如XGBoost）可能比较适合不平衡的数据。拿到一个新的数据时，可以不妨直接先试试这个方法，作为基准（Baseline）。
多说两句的话，很多方法都可以结合起来，比如过采样和欠采样是可以结合起来的。一个比较成熟的算法就是用SMOTE过采样，再利用Tomek‘s link再控制新的样本空间。有兴趣的朋友可以移步4. Combination of over- and under-sampling，这个例子的作者开发了imbalanced-learn（Welcome to imbalanced-learn documentation!），是一个Python上处理数据不平衡的工具库，这个答案中的实验代码都是基于这个工具库。
实验细节：从实际的模型表现上进行一个对比
- 此处我们默认使用了逻辑回归（L2正则化），同时使用随机森林进行了验证，结果相似。因为节省空间略去。
- 我们使用了10折交叉验证，评估标准是F1（
）和ROC曲线下的面积
- 我们评估了 (1) 原始数据 (2) 阈值偏移 (3) 过采样 (4) 欠采样 (5) 构建多个欠采样样本集成 (6) SMOTE的结果。
- 共使用了5个数据集，具体结果如下：
Cardio数据集：Cardiotocogrpahy dataset
Data: cardio | shape: (1831, 21) | F1 Threshold Moving: 0.829987896832 Original: 0.805920420913 Oversampling: 0.963759891658 Undersampling: 0.938725868726 Undersampling Ensemble: 0.821234363304 SMOTE: 0.971714100029 Data: cardio | shape: (1831, 21) | ROC Threshold Moving: 0.992879432167 Original: 0.991171853188 Oversampling: 0.992246339935 Undersampling: 0.992405698663 Undersampling Ensemble: 0.992896183665 SMOTE: 0.993895382919
Letter数据集：Letter Recognition dataset
Data: letter | shape: (1600, 32) | F1 Threshold Moving: 0.257964355223 Original: 0.2322000222 Oversampling: 0.80419404639 Undersampling: 0.762522610875 Undersampling Ensemble: 0.265496694535 SMOTE: 0.94066718832 Data: letter | shape: (1600, 32) | ROC Threshold Moving: 0.778733333333 Original: 0.775133333333 Oversampling: 0.853071111111 Undersampling: 0.798 Undersampling Ensemble: 0.7762 SMOTE: 0.961724444444
Mnist数据集：mnist dataset - ODDS
Data: mnist | shape: (7603, 100) | F1 Threshold Moving: 0.809942609314 Original: 0.843460421197 Oversampling: 0.963745254804 Undersampling: 0.939662842407 Undersampling Ensemble: 0.795183545913 SMOTE: 0.972652248517 Data: mnist | shape: (7603, 100) | ROC Threshold Moving: 0.985425233631 Original: 0.985211857272 Oversampling: 0.991881775625 Undersampling: 0.976346938776 Undersampling Ensemble: 0.977791067047 SMOTE: 0.99455044033
Ionosphere数据集：Ionosphere dataset
Data: ionosphere | shape: (351, 33) | F1 Threshold Moving: 0.755263843708 Original: 0.77205596336 Oversampling: 0.858191681928 Undersampling: 0.787040254432 Undersampling Ensemble: 0.757907605743 SMOTE: 0.849245387823 Data: ionosphere | shape: (351, 33) | ROC Threshold Moving: 0.8816344887 Original: 0.88384133982 Oversampling: 0.946363011452 Undersampling: 0.881254109139 Undersampling Ensemble: 0.87103349549 SMOTE: 0.953137058851
Pima数据集：Pima Indians Diabetes dataset
Data: pima | shape: (768, 8) | F1 Threshold Moving: 0.684815686152 Original: 0.614437063812 Oversampling: 0.744106797407 Undersampling: 0.762079698321 Undersampling Ensemble: 0.667769584397 SMOTE: 0.749990784595 Data: pima | shape: (768, 8) | ROC Threshold Moving: 0.824891737892 Original: 0.824757834758 Oversampling: 0.83276 Undersampling: 0.825577308626 Undersampling Ensemble: 0.82011965812 SMOTE: 0.84188
Q: 请问在算F1的时候阈值是多少？
A: F1基于precision和recall，使用逻辑回归时阈值默认都是0.5
Q: 你采样所带来的F1提升并非来源于模型精度的提升，只是变相调整了阈值
A: 这说的就是这么个道理啊，直接调阈值也是一种手段，但直接调到不平衡比例也不一定效果好。采样的效果不仅仅是变相调整阈值这么简单，还会影响模型的学习过程以及是否收敛，那就不是一篇文章不用数学能说明白的了。
Q: 既然直接调阈值就能达到F1提升，采样不是多此一举吗？
A: 我补一个实验（改变阈值）作为对照吧...改变阈值不会改变优化和收敛过程，而加入新的采样一定会的，所以不等价。
Q: 为什么不用AUC做metric呢？
A: 因为roc不是point estimation，也就不存在阈值这个概念了，我想体现的就是默认阈值下采样的效果。可能这个评估方法可能不够全面，可以再补一个roc的评估。
Q: 我想表达的是无论采样到底是否对模型有帮助，用未优化阈值的F1来做metric都是不准确的
Q: 因为F1是存在最优阈值的，你现在的工作本质上是改变数据的分布，使数据对应的F1最优阈值更接近0.5罢了，对于采样本身的价值并没有说服力。
以上是关于1欠采用和过采样对模型带来什么影响？（包括对数据不平衡问题的解决方案以及采样方法的分析）的主要内容，如果未能解决你的问题，请参考以下文章