sklearn.datasets.make_classification 无法生成平衡类
Posted
技术标签:
【中文标题】sklearn.datasets.make_classification 无法生成平衡类【英文标题】:sklearn.datasets.make_classification fails to generate balanced classes 【发布时间】:2019-02-14 16:45:00 【问题描述】:我正在尝试使用 sklearn 库中的make_classification
为分类任务生成数据,并且我希望每个类恰好有 4 个样本。
如果类数小于19,则行为正常。
from sklearn.datasets import make_blobs, make_classification
import numpy as np
data = make_classification(n_samples=76, n_features=5, n_informative=5, n_redundant=0, n_repeated=0,
n_classes=19, n_clusters_per_class=1, weights=None, flip_y=0, class_sep=1.0,
shuffle=False, random_state=101)
print(data[1])
[ 0 0 0 0 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5 5
6 6 6 6 7 7 7 7 8 8 8 8 9 9 9 9 10 10 10 10 11 11 11 11
12 12 12 12 13 13 13 13 14 14 14 14 15 15 15 15 16 16 16 16 17 17 17 17
18 18 18 18]
但是,如果类的数量等于或大于 20,则第一类有 5 个样本,最后一个类只有 3 个样本,这是不平衡的。
data = make_classification(n_samples=80, n_features=5, n_informative=5, n_redundant=0, n_repeated=0,
n_classes=20, n_clusters_per_class=1, weights=None, flip_y=0, class_sep=1.0,
shuffle=False, random_state=101)
print(data[1])
[ 0 0 0 0 0 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5
5 6 6 6 6 7 7 7 7 8 8 8 8 9 9 9 9 10 10 10 10 11 11 11
11 12 12 12 12 13 13 13 13 14 14 14 14 15 15 15 15 16 16 16 16 17 17 17
17 18 18 18 18 19 19 19]
查看文档时,发现weight
参数在控制classes
的比例:
weights
:浮点数列表或无(默认=无)分配给每个类别的样本比例。如果没有,那么 班级是平衡的。请注意,如果 len(weights) == n_classes - 1,则 最后一个类的权重是自动推断的。超过 n_samples 如果权重之和超过 1,则可能返回样本。
因此,我尝试使用以下代码明确输入比例。
data = make_classification(n_samples=80, n_features=5, n_informative=5, n_redundant=0, n_repeated=0,
n_classes=20, n_clusters_per_class=1, weights=list(np.ones(20)), flip_y=0, class_sep=1.0,
shuffle=False, random_state=101)
print(data[1])
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0]
然而,生成的类是完全错误的。
我不确定为什么这个函数会这样。当n_classes
大于等于20时,如何保证类均衡?
【问题讨论】:
【参考方案1】:虽然没有明确提及并且令人困惑,但参数weights
需要样本的“比例”。它不会自动将数字转换为比例。
因此,如果样本总数 = 80,并且您想将 40 个样本分配给第 1 类,则比例变为0.5
。
但是,您提供的比例为:
[1.0, 1.0, 1.0, 1.0,.................., 1.0, 1.0, 1.0, 1.0]
这就是错误的来源。该方法采用 1.0 作为头等舱(在您的情况下为 0)并忽略所有其他。
这样做:
n_classes = 20
weights=list(np.ones(20)/n_classes) <== Making proportions correct
data = make_classification(n_samples=80, n_features=5, n_informative=5, n_redundant=0, n_repeated=0,
n_classes=n_classes, n_clusters_per_class=1, weights=weights, flip_y=0, class_sep=1.0,
shuffle=False, random_state=101)
正确返回:
array([ 0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4,
4, 4, 4, 5, 5, 5, 5, 6, 6, 6, 6, 7, 7, 7, 7, 8, 8,
8, 8, 9, 9, 9, 9, 10, 10, 10, 10, 11, 11, 11, 11, 12, 12, 12,
12, 13, 13, 13, 13, 14, 14, 14, 14, 15, 15, 15, 15, 16, 16, 16, 16,
17, 17, 17, 17, 18, 18, 18, 18, 19, 19, 19, 19])
最后一行:
如果权重之和超过 1,则可能返回超过 n_samples 个样本。
似乎增加了混乱。
当您将1.0
作为所有类的比例传递时,它应该返回 80*20 = 1600 个样本,每个类 80 个。
但它没有这样做。它在内部正确生成样本,但随后只返回前 80 个样本(由n_samples
参数定义)。这就是为什么您只能在生成的数据中返回一个类 (0)。您应该将此作为问题发布在他们的 github 页面上:https://github.com/scikit-learn/scikit-learn/issues
【讨论】:
以上是关于sklearn.datasets.make_classification 无法生成平衡类的主要内容,如果未能解决你的问题,请参考以下文章